MLOps teknikaren eta ikasketa inkrementalaren ikerketa eta inplementazioa

Azken urteetan, gizakiok sortutako datu kopuruak era etengabean hazi egin dira, izan ere, teknologiaren gorakadak eta edozeinek gailu teknologiko desberdinak izateko aukerak egoera hau sendotzen baitute. Honen ondorioz, datu hauetara moldatzen diren modelo prediktiboak sortzea ataza geroz eta zailago da eta ikaskuntza automatikoaren arloan hainbat irtenbide proposatu eta garatu egin dira. Pentsatu behar da kasu gehienetan datu guztien artean garrantzitsuena azkenak direla, izan ere, hauek dira momentuko tendentzia definitzen dutenak. Lan honen bidez, arazo honen aurrean irtenbide partikular bat aurkeztuko da, zehazki, Madrilgo kontaminazioa aurreikusten duen eta ikasketa inkrementala deituriko teknikari esker datu berrietara moldatzen den modelo bat sortuko da. Horretarako bi teknika desberdin erakutsi dira datu berriak kontuan hartzea duen garrantzia aztertuz eta bien arteko emaitzak konparatuz. Bestalde, kontuan izan behar da ere sortutako datuak hain ugariak direnez eta, era berean, hain aldakorrak direnez, eredu hauek denboran zehar gainbegiratuak izatea ezinbestekoa suerta daitekeela kasu gehienetan. Arazo honetarako MLOps paradigma aurki dezakegu zeina DevOps paradigmatik eratorriz, Adimen Artifizialaren arloan sortzen diren produktu edo irtenbideak nola tratatu behar diren definitzen duen. Paradigma honen barruan sortutako produktuak ziklikoki fase desberdinetatik pasako dira, datuen tratamendutik hasiz eta modeloaren deployment fasera iritsi arte honen entrenamendua bitarte izanik, eta fase guzti hauetan produktua gainbegiratu egingo da sortutako errore berrien bila hauek hurrengo faseetara pasa ez daitezen. Prozesu hau ezinbesteko izango da lanaren garapenean Madrilgo kontaminazioa aurreikusten duen modeloa etengabe entrenatu ahal izateko eta bidean sortzen diren akatsak ekiditeko.