Vis enkel innførsel

dc.contributor.advisorHendseth, Sverre
dc.contributor.advisorGrimstad, Bjarne
dc.contributor.authorKjetså, Tor Istvan Stadler
dc.date.accessioned2021-12-02T18:20:34Z
dc.date.available2021-12-02T18:20:34Z
dc.date.issued2021
dc.identifierno.ntnu:inspera:76427839:35170985
dc.identifier.urihttps://hdl.handle.net/11250/2832650
dc.description.abstractDet er en økende etterspørsel etter maskinlæringsapplikasjoner innenfor flere industries. Det finnes gode maskinlæringsmodeller, men det er utbredte vanskeligheter i sammenheng med å operasjonalisere dem. Mangel på verktøy og etablerte standarder for hvordan operasjonalisere maskinlæringssystemer resulterer i at mange modeller blir liggende på hylla. Maskinlæringssystemer skilles seg fra tadisjonell programvare ved at de er stokastiske og dynamiske. Dette fører til nye utfordringer, spesielt med tanke på testing. MLOps er en ny praksis som omhandler å operasjonalisere maskinlæringssystemer. Det er, imdidlertidig, ikke formelt etablert nøyaktig hva den innebærer. Denne oppgaven forsøker å undersøke utfordringene som oppstår i sammenheng med å operasjonelisere maskinlæringssystemer, MLOps sin nåværende status, og foreslå et sett med retningslinjer for hvordan man skal operasjonalisere maskinlæringssystemer. Et studie om maskinlæringsteori, med vekt på dyp læring, gjennomføres for å bli kjent med konseptet og for å bidra med bakgrunn for utfordringer and krav i sammenheng med operasjonalisering. Videre undersøkes ulike metodologier for hvordan testing kan utføres på maskinlæringssystemer. Den nåværende statusen til MLOps utforsker, og en oversikt over de typiske komponentene i en maskinlæringslivssyklus og hvordan de integrerer blir presentert. Et sett av moderne teknologier relatert til MLOps blir vurdert. Til sist, implementeres et lite, eksperimentelt maskinlæringssystem, hvilket bidrar til førstehåndserfaring med maskinlæringsutvikling, samt belyser relaterte utfordringer. Noen av de undersøkte testemetodologiene viser seg å være nyttige, mens andre er mer spesifikke eller eksperimentelle. Basert på forskningen og arbeidet gjennomført i denne oppgaven, foreslås et sett med retningslinjer for hvordan tilnærme operasjonalisering av maskinlæringssystemer, som adresserer vanlige utfordringer og teknologivalg. The utviklede maskinlæringssystemet utgjør et minstekrav for et produkt som kan brukes til å teste maskinlæringsrelaterte teknikker.
dc.description.abstractThere is an increasing demand for machine learning applications within several industries. While good machine learning models exist, there is a widespread struggle in operationalizing them. A lack of tools and established best practices on how to operationalize machine learning system results in many models being left on the shelf. Machine learning systems differ from traditional software in that they are dynamic and stochastic. This poses new challenges, especially in terms of testing. MLOps is the newly emerged discipline of operationalizing machine learning system. However, exactly what it involves is yet to be formally established. This thesis aims to investigate the challenges associated with operationalizing machine learning systems, the current status of MLOps, and propose a set of best practices for how to go about operationalizing a machine learning system. A study is performed on machine learning theory, with emphasis on deep learning to be familiarized with the concept and to provide background for challenges and requirements concerning operationalization. Further, an investigation is conducted on methodologies for testing machine learning systems. Current research on MLOps is explored, and an overview is presented of the typical components in a machine learning life cycle, and how they integrate. A set of modern technologies related to MLOps are reviewed. Lastly, an experimental miniature machine learning system is implemented, providing first-hand experience with machine learning development, and highlighting associated challenges. Some of the investigated testing methodologies are found useful, and others are more specific or experimental. Based on the research and work conducted throughout this thesis, a set of best practices for how to approach the operationalization of machine learning systems is proposed, addressing common challenges, including technology choices. The developed machine learning system exhibits a minimum viable product and can be used for testing some general machine learning-related techniques.
dc.languageeng
dc.publisherNTNU
dc.titleMLOps - challenges with operationalizing machine learning systems
dc.typeMaster thesis


Tilhørende fil(er)

Thumbnail
Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel