Förbättring av MLOps-arkitekturer för effektiv integration, distribution och inferens av AI-modeller i olika industriella miljöer

Doktorandprojekt: Förbättring av MLOps-arkitekturer för effektiv integration, distribution och inferens av AI-modeller i olika industriella miljöer

Det här projektet fokuserar på att förbättra MLOps-arkitekturer för en smidig och effektiv integration, distribution och inferens av AI-modeller i olika industrisektorer. Att säkerställa en smidig samverkan mellan programutveckling och AI-drivna metoder är avgörande eftersom artificiell intelligens blir en alltmer integrerad komponent i moderna programsystem.

Fakta om projektet

Doktorand
Tibo Bruneel
Huvudhandledare
Morgan Ericsson
Biträdande handledare
Jonas Nordqvist, Diego Perez
Deltagande organisationer
Linnéuniversitetet, Softwerk
Finansiär
Softwerk, KK-stiftelsen (Industriforskarskolan för Data Intensive Applications + (DIA+))
Tidsplan
September 2023 –September 2028
Ämne
Data- och informationsvetenskap (Institutionen för datavetenskap och medieteknik, fakulteten för teknik)
Forskargrupp
Data Intensive Software Technologies and Applications (DISTA)
Linnaeus University Center
Linnaeus University Centre for Data Intensive Sciences and Applications (DISA)

Mer om projektet

Artificiell intelligens blir en alltmer integrerad komponent i många moderna programvarusystem, vilket kräver utveckling av robusta programvaruarkitekturer som passar maskininlärningskomponenter. Utvecklingen av arkitekturer och standarder för MLOps är avgörande för att säkerställa smidig samverkan mellan programvaruutvecklingsmetoder och AI-drivna tillvägagångssätt, vilket underlättar effektiv integration, distribution och inferens av dessa AI-modeller.

Det här doktorandprojektet syftar till att definiera, implementera och utvärdera MLOps-arkitekturer inom olika industriella sammanhang. I dessa olika kontexter spelar faktorer som modellspårning, automatisk distribution, övervakning av modeller och generell design över arkitekturer en betydande roll för att uppnå en smidig integration av AI. Olika industriella miljöer presenterar ofta unika utmaningar och begränsningar, inklusive varierande maskinvarukapacitet och krav på prestanda.

Som svar på dessa utmaningar kommer projektet att också undersöka optimeringen och accelerering av maskininlärningsmodeller och deras respektive programvaruintegrationer. Denna mångfacetterade strategi säkerställer att de utvecklade MLOps-arkitekturerna inte bara är anpassningsbara, utan också kapabla att leverera högpresterande AI-lösningar med snabb inferens i en industriell miljö.

Genom denna forskningsresa kommer en iterativ process att användas för att förbättra och förädla det senaste inom MLOps och prestandaoptimering. Genom att göra detta syftar detta projekt till att bidra till utvecklingen av anpassningsbara, effektiva och skalbara MLOps-lösningar som möjliggör en smidig integration av AI-modeller över olika industriella programvaruekosystem.

Projektet är en del av forskningen i forskargruppen Data Intensive Software Technologies and Applications (DISTA) och Linnaeus University Centre for Data Intensive Sciences and Applications (DISA).