Currículo

Engenharia de Modelos Inteligentes 04949

Contextos

ECTS

6.0 (para cálculo da média)

Objectivos

No final da UC, cada estudante deverá ser capaz de: OA1: Explicar os princípios fundamentais de MLOps, contextualizando-os no ciclo de vida de desenvolvimento e operacionalização de modelos de ML. OA2: Utilizar frameworks e ferramentas de MLOps para acompanhar experimentos, gerir pipelines de ML e automatizar processos de treino e entrega contínua. OA3: Conceber e implementar pipelines end-to-end, envolvendo Data Engineering Pipelines, ML Pipelines e ML Workflows, aplicando práticas de CI/CD adequadas a sistemas de ML. OA4: Adotar o CRISP-ML(Q) como guia metodológico, garantindo a qualidade, monitorização, validação e a documentação dos modelos ao longo de todo o ciclo de desenvolvimento. OA5: Desenhar e implementar estratégias de Model Serving, deployment e monitorização de modelos em produção. OA6: Trabalhar de forma colaborativa, integrando princípios de MLOps e boas práticas de engenharia de software para garantir a integração eficaz entre equipas multidisciplinares.

Programa

CP1: Introdução ao conceito de MLOps, comparação com DevOps, relevância e benefícios no contexto da aprendizagem automática. CP2: Frameworks e ferramentas de MLOps para gestão de workflows, pipelines, versionamento de dados e modelos. CP3: Integração Contínua (CI) e Entrega Contínua (CD) para ML; Testes automatizados, auditoria e monitorização das pipelines. CP4: Conceção de Sistemas ML end-to-end; Data Engineering, ML Model Engineering e Model Deployment CP5: Padrões de Model Serving e estratégias de deployment: A/B testing, canary releases, rolling updates, infraestruturas elásticas e escaláveis. CP6: Metodologia CRISP-ML(Q): Fases, tarefas, qualidade e governança de dados e modelos, documentação e melhoria contínua de modelos em produção.

Método de Avaliação

Esta UC, por ter uma natureza prática e aplicada, segue um modelo de Avaliação ao Longo do Semestre (previsto no RGACC), não contemplando exame final. A avaliação incidirá sobre a compreensão teórica, a capacidade de aplicação prática e a integração dos conceitos de MLOps em projetos reais. A avaliação é composta por: - 2 Quizzes (20%): Ao longo do semestre serão disponibilizados quizzes online de curta duração, destinados a aferir a compreensão dos conceitos fundamentais de MLOps Não é exigida nota mínima, mas os quizzes contribuem para a consolidação das aprendizagens e fornecem feedback imediato sobre o nível de entendimento dos estudantes. Os quizzes deverão ser realizados de forma individual. - Mini-Projeto 1 (30%): Neste mini-projeto, os estudantes aplicarão os conhecimentos iniciais, implementando um pipeline de ML simples, incluindo recolha e preparação de dados, treino de modelos e experimentação. O mini-projeto 1 poderá ser realizado individualmente ou em grupos. Nota mínima exigida: 8,5 valores. - Mini-Projeto 2 (50%): Este segundo mini-projeto é mais abrangente e integrado, desafiando os estudantes a criar um pipeline end-to-end, implementando CI/CD, deployment do modelo e monitorização em produção. Terão de demonstrar competências na utilização de frameworks de MLOps, aplicar o CRISP-ML(Q) e implementar estratégias de Model Serving, garantindo a escalabilidade e a qualidade contínua do sistema. Será realizada uma apresentação oral (online) do projeto, incluindo discussão dos resultados, justificando as opções técnicas e abordando possíveis melhorias. O mini-projeto 2 deverá ser realizado em grupos. Nota mínima exigida: 9,5 valores. A nota final resulta da soma ponderada dos quizzes (20%), do Mini-Projeto 1 (30%) e do Mini-Projeto 2 (50%). Para aprovação, o estudante deverá obter uma classificação final mínima de 10 valores. Caso não obtenha aprovação, será considerado Reprovado. A melhoria de nota pode ser obtida no ano letivo seguinte, de acordo com o regulamento em vigor. Em conformidade com o RGACC, o estudante pode optar por avaliação por exame, incidindo num projeto único (100%) a apresentar e defender oralmente, seguindo as mesmas diretrizes. A presença nas sessões síncronas não é obrigatória, mas é altamente recomendada, dada a natureza aplicada da UC e a importância do feedback contínuo. Para além do RGACC, recomenda-se a consulta do Regulamento de Estudantes com Estatuto Especial (REEE) e do Código de Conduta Académica (CCA).

Carga Horária

Bibliografia

Principal

• "1. Washizaki, H., Prikladnicki, R., et al. (2022). MLOps Engineering at Scale. O’Reilly. 2. Zweig, K. (2023). Effective MLOps. Manning. 3. Villela, J. A., et al. (2022). Kubeflow Operations Guide. O’Reilly. 4. Lakshmanan, V., Robinson, C., & Munn, M. (2020). Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps. O’Reilly. " : . .

Secundária

• "1. Amershi, S., et al. (2019). Software Engineering for Machine Learning: A Case Study. IEEE/ACM Joint Conference on SE 2. Shevat, A. (2020). Designing ML-Powered Applications: ML Design Patterns for Developer Teams. O’Reilly." : . .

Disciplinas de Execução