Ottimizzazione del Ciclo di Vita dei Modelli Progettazione e Implementazione di un’Architettura MLOps distribuita

L’ampia diffusione di modelli di intelligenza artificiale sta assumendo un ruolo sempre più significativo in svariati settori. Tuttavia, nonostante le promettenti promesse, molti modelli spesso affrontano difficoltà nel passaggio dalla fase di ricerca a quella di produzione, evidenziando una lacuna nella disponibilità di infrastrutture adeguate per la gestione del ciclo di vita e la manutenzione dei prodotti di machine learning. Inoltre, la carenza di un’adeguata attenzione alla privacy dei dati e l’assenza di un workflow completo e personalizzabile nelle soluzioni open source che affrontano tale problema contribuiscono a creare ulteriori ostacoli, rendendo l’adozione ancora più problematica. Questa tesi presenta un’architettura MLOps distribuita e completa, che include tutti i componenti essenziali per ottimizzare il ciclo di vita dei modelli di machine learning. La progettazione proposta ha dimostrato robustezza, efficienza e scalabilità, offrendo una risorsa fondamentale per ottimizzare e ridurre il tempo necessario alla gestione dei modelli di intelligenza artificiale e per affrontare le sfide emergenti in modo sostenibile ed eticamente responsabile.