Aprovisionamiento de recursos para la ejecución de experimentos basados en Machine Learning a través de las guías MLops

Aug 3, 2026

Subido por Patrick

La investigación aborda las necesidades de conocimiento transversal para ejecutar ciencia experimental con Machine Learning, donde el trabajo manual genera problemas técnicos por la diversidad de herramientas y perfiles y por el ciclo de vida del desarrollo. El trabajo se enfoca en la preparación de recursos y servicios requeridos para la experimentación. En ese contexto, MLOps busca reducir la deuda técnica mediante automatización con pipelines. Se plantea un prototipo de software para facilitar aprovisionamiento, creación, configuración, ejecución y versionamiento de experimentos científicos basados en ML, siguiendo técnicas y metodologías MLOps.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas107

Tiempo de lectura2 h 45 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Antecedentes y Trabajos Relacionados

Tecnología de contenedores

Ontologías

Ontologías para la representación de experimentos basados en Machine Learning

Airflow

Descripción General de Arquitectura

DAGs en Airflow

DevOps

MLOps

Ciclo de vida de MLOps

Herramientas para administración de MLOPS

Herramientas para MLOps

Otras herramientas de Machine Learning

Análisis del estado actual de las herramientas

Escenario

Diseño e Implementación de la herramienta

Representación de experimentos

Ejemplo de uso de Ontología

Arquitectura del sistema

Front End

API

Ambientes de ejecución

Orquestación

Almacenamiento

Proceso completo

Caso de uso: Encuestas

Aprovisionamiento de Recursos

Ingesta de datos

Exploración y Procesamiento de datos

Construcción del modelo y validación

Comparación de Resultados

Conclusiones y trabajos futuros

Conclusiones

Trabajos futuros

Anexo A Manual de usuario

Administración de datasets

Creación de versión de dataset

Administración de experimentos

Creación de versión de experimento

Descripción y ejecución de experimento

Anexo B Manual de Desarrollo

Instalación de sistema

Ejecución de sistema

Dependencias

Airflow

Universidad de Cuenca Facultad de Ingeniería Carrera de Ingeniería de Sistemas Aprovisionamiento de recursos para la ejecución de experimentos basados en Machine Learning a través de las guías MLops Trabajo de titulación previo a laobtención del título de Ingenierode Sistemas Autor: David Marcelo Peñafiel Mora Daniel Andrés Seaman Mora Director: Víctor Hugo Saquicela Galarza ORCID: 0000-0002-2438-9220 Cuenca, Ecuador 2 Resumen Dentro de la investigación científica, más allá del conocimiento específico que se requiere pararealizar la investigación, se necesita un poco de conocimiento dentro de otras áreas: Machine Learning, estadística, programación o bases de datos por mencionar algunas. Por otra parte, los flujos manuales de Machine Learning llegan a presentar diversos problemas técnicos, debido a la variedad de herramientas y profesionales que se involucran en estos procesos, especialmente al tomar en cuenta el ciclo de vida del desarrollo de Machine Learning. Esto implica que al realizar experimentación, existan problemáticas desde la preparación de los recursos y servicios necesarios para llevar a cabo este tipo de procedimientos. Debido a esto, áreas como MLOps tratan de reducir la deuda técnica en el desarrollo de aplicaciones basadas en Machine Learning, esto se realiza fomentando la automatización de procesos mediante lo que se conoce como pipelines MLOps. Bajo este contexto, en el presente trabajo se plantea la creación de un prototipo de software que facilite el aprovisionamiento de las herramientas necesarias para la creación, configuración, ejecución y versionamiento de experimentos científicos basados en Machine Learning mediante la utilización de técnicas y metodologías MLOps. Palabras clave: aprovisionamiento, MLOps, pipelines, experimento David Marcelo Peñafiel Mora-Daniel Andres Seaman Mora 3 Abstract Within scientific research, beyond the specific knowledge required to conduct research, some knowledge is needed in other areas such as machine learning, statistics, programming, or databases, to name a few. On the other hand, manual machine learning workflows can present various technical issues due to the variety of tools and professionals involved in these processes, especially when considering the machine learning development lifecycle. This implies that during experimentation, there may be issues starting with the preparation of necessary resources and services to carry out such procedures. Due to this, areas such as MLOps seek to reduce technical debt in the development of machine learning-based applications by promoting process automation through what is known as MLOps pipelines. In this context, this paper proposes the creation of a software prototype that facilitates the provisioning of necessary tools for the creation, configuration, execution, and versioning of scientific experiments based on machine learning using MLOps techniques and methodologies. Keywords:Provisioning, MLOps, pipelines, experiments David Marcelo Peñafiel Mora-Daniel Andres Seaman Mora 4 Índice de contenidos 1 Introducción 12 2 Antecedentes y Trabajos Relacionados 15 2.1 Tecnología de contenedores .............................. 15 2.2 Ontologías ........................................ 17 2.2.1 Ontologías para la representación de experimentos basados en Machine Learning ..................................... 18 2.3 Airflow .......................................... 19 2.3.1 Descripción General de Arquitectura ...................... 20 2.3.2 DAGs en Airflow ................................. 20 2.4 DevOps ......................................... 22 2.5 MLOps .......................................... 23 2.5.1 Ciclo de vida de MLOps ............................. 24 2.5.2 Herramientas para administración de MLOPS ................ 25 2.5.3 Herramientas para MLOps ........................... 26 2.5.4 Otras herramientas de Machine Learning ................... 28 2.5.5

Preguntas frecuentes

Por qué surge la necesidad de MLOps en la ejecución de experimentos basados en Machine Learning?

Los flujos manuales pueden presentar problemas técnicos por la variedad de herramientas y profesionales, especialmente considerando el ciclo de vida del desarrollo. MLOps reduce la deuda técnica mediante automatización con pipelines.

Qué problema específico resuelve el aprovisionamiento de recursos durante la experimentación?

Durante la experimentación aparecen problemáticas desde la preparación de los recursos y servicios necesarios. El trabajo propone resolverlo mediante un prototipo que facilita la obtención y gestión de lo requerido para ejecutar experimentos.

Qué funciones incluye el prototipo propuesto para los experimentos científicos?

El prototipo facilita el aprovisionamiento de herramientas y apoya la creación, configuración, ejecución y versionamiento de experimentos científicos basados en Machine Learning, usando técnicas y metodologías MLOps.

Aug 3, 2026

Subido por Patrick