Pipeline per il Machine Learning: Analisi dei workflow e framework per l’orchestrazione i casi Recommendation System e Face2Face Traslation

Al giorno d’oggi tantissimi dei problemi che affrontiamo quotidianamente prevedono l’utilizzo di tecniche di Intelligenza Artificiale. Sono nate sempre più techinchè fino al machine learning è una materia in forte sviluppo, e i modelli, gli algoritmi si espandono a vista d’occhio. Spesso molti dei problemi vengono affrontati e risolti tramite pipeline di modelli di machine learning che sequenzializzati fra loro portano alla soluzione sperata. Nascono sempre più piattaforme come Ai4Eu che si pongono come centro di scambio di modelli, dataset e conoscenza. Nasce quindi l'esigenza di voler automatizzare su queste piattaforme la creazione delle pipeline di ml riutilizzando ove possibile il codice. Questo lavoro di tesi, sfruttando un approccio bottom-up, prevede un’attenta osservazione del workflow del Recommendation System di YouTube. Succesivamente si valutano gli approcci standard in letteratura, individuando due principali classi di Recommendation System in funzione del filtraggio applicato, il Collaborative filtering (classe di appartenenza del Recommendation System di YouTube) o l’Item-Based filtering. Si nota come la parte più importante di questo tipo di applicativi riguardi la gestione dei dati. Seguendo lo stesso metodo operativo viene studiata la pipeline di Face2Face Traslation, analizzando per ogni suo componente l’approccio ai dati e la struttura del modello e confrontando ogni componente con i suoi corrispettivi in letteratura, per valutarne invarianti e versalità mostrando come alcuni modelli si presentino con modelli standard e approcci ai dati diversi, mentre altri presentino approcci standard ai dati ma una grande varietà nei modelli a disposizione. Vengono infine presentati tre framework per l’orchestrazione di pipeline di Machine Learning: MLRun, ZenML e Kale, scelti poichè permettono il deployment e la riusabilità del codice. Si osserva come, escluse piccole differenze, questi tre framework si presentano molto equivalenti fra loro.