Υλοποίηση και αξιολόγηση συστημάτων μηχανικής μάθησης παραγωγής με εφαρμογή στη σημασιολογική κατάτμηση
γεωχωρικών δεδομένων

Ηλιοπούλου, Χρυσοβαλάντω-Θεοδώρα; Iliopoulou, Chrysovalanto-Theodora

dc.contributor.author	Ηλιοπούλου, Χρυσοβαλάντω-Θεοδώρα	el
dc.contributor.author	Iliopoulou, Chrysovalanto-Theodora	en
dc.date.accessioned	2021-05-30T16:08:48Z
dc.date.available	2021-05-30T16:08:48Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/53523
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.21221
dc.rights	Default License
dc.subject	Machine learning in production	en
dc.subject	Data science	en
dc.subject	ML operations	en
dc.subject	Deployment pipelines	en
dc.subject	Μηχανική μάθηση στην παραγωγή	el
dc.subject	Επιστήμη Δεδομένων	el
dc.subject	Διαδικασίες μηχανικής μάθησης	el
dc.subject	Σωληνώσεις συνεχούς ενσωμάτωσης	el
dc.subject	Σωληνώσεις εγκατάστασης	el
dc.subject	Continuous integration pipelines	en
dc.title	Υλοποίηση και αξιολόγηση συστημάτων μηχανικής μάθησης παραγωγής με εφαρμογή στη σημασιολογική κατάτμηση γεωχωρικών δεδομένων	el
dc.title	Implementation and assessment of machine learning production systems for geospatial data classification tasks	en
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2021-03-30
heal.abstract	Το πεδίο της μηχανικής μάθησης έχει παρουσιάσει τεράστια πρόοδο τα τελευταία χρόνια. Χάρη στη συνεχή εξέλιξη των τεχνικών και μεθόδων ταξινόμησης και πρόβλεψης και την ικανοποιητική τους απόδοση, η χρήση τους και η ενσωμάτωσή τους στο βιομηχανικό χώρο κρίνεται αναγκαία. Είναι σημαντικό η ενσωμάτωσή τους σε ένα παραγωγικό περιβάλλον να γίνεται με τρόπο που συμβάλλει στην ομαλή συνεργασία του ανθρώπινου δυναμικού που εξειδικεύεται στην ανάπτυξη εφαρμογών αλλά και τη γρήγορη και ορθώς καθορισμένη διαδικασία ανάπτυξης και ενημέρωσης των εφαρμογών. Μέχρι σήμερα, έχουν αναπτυχθεί τεχνικές και εργαλεία που αυτοματοποιούν τις επαναλαμβανόμενες διαδικασίες που απαιτούνται στη φάση ανάπτυξης νέου κώδικα και εγκατάστασής του σε ζωντανό περιβάλλον. Ωστόσο, η εφαρμογή τους δεν είναι αρκετή για το χώρο της μηχανικής μάθησης. Οι τρεις βασικές συνιστώσες της μηχανικής μάθησης είναι ο κώδικας, τα δεδομένα και τα μοντέλα. Η αλλαγή έστω και μιας από τις τρεις συνιστώσες μπορεί να οδηγήσει σε διαφορετική πρόβλεψη από το σύστημα που αυτές παράγουν. Συνεπώς, είναι απαραίτητη η ταυτόχρονη διαχείριση και των τριών συνιστωσών ως προς την αποθήκευση, την ιστορικότητα και την προώθηση στο παραγωγικό περιβάλλον του βέλτιστου μοντέλου που προκύπτει από το συνδυασμό τους. Σκοπός της παρούσας μεταπτυχιακής εργασίας είναι η διερεύνηση και η μελέτη μερικών από τα πολυάριθμα εργαλεία που έχουν αναπτυχθεί για την αντιμετώπιση των δυσκολιών της μηχανικής μάθησης σε παραγωγικό περιβάλλον. Επιλέγονται μερικά εξ αυτών και ελέγχεται ο συνδυασμός τους, με στόχο το σχεδιασμό και την ανάπτυξη μιας υποδομής, ικανής να καλύψει τις προκλήσεις που αντιμετωπίζει η ένταξη και η διαχείριση μοντέλων μηχανικής μάθησης σε παραγωγικές εφαρμογές. Αντικείμενο εφαρμογής των εργαλείων αυτών αποτελεί το πρόβλημα ταξινόμησης των στοιχείων μιας γεωχωρικής εικόνας, που απεικονίζει υποθαλάσσιο έδαφος, σε ορισμένες κλάσεις συγκεκριμένης σύστασης. Προσεγγίζοντας το πρόβλημα με διαφορετικές λύσεις αλλά και με διαφορετικά σύνολα δεδομένων, αξιολογούνται τα επιλεγμένα εργαλεία και τονίζονται τα οφέλη της χρήσης τους για την εύρεση της καλύτερης δυνατής λύσης, τόσο κατά τη διάρκεια ανάπτυξης νέων μεθόδων ταξινόμησης όσο και στη φάση συνεχούς ενημέρωσης ενός εγκαταστημένου μοντέλου σε μια παραγωγική εφαρμογή.	el
heal.abstract	Machine learning as a field has evolved significantly over the last years. Due to the continuous evolution of classification and prediction methods, but also to their satisfying efficiency, the models’ usage and integration in industry have become a necessity. It is important that their integration into a production environment occurs in a way that contributes to smooth cooperation of the human resources specializing in developing applications, but also in quick and properly defined operations associated with developing and updating applications. Up till today, many techniques and tools have been produced, for automating repeated operations needed for phases of developing new code and deploying it into a live environment. However, they can not be simply applied for machine learning applications. Machine learning’s three main components are code (algorithms), data and models. Changing one of them may lead to different classification results. Therefore, it is necessary that all the components are handled simultaneously concerning the storage, history and forwarding to the production environment of the optimal model that comes from their combination. The purpose of the present master thesis is to investigate and study some of the numerous tools that have been developed for coping with the struggles of machine learning when productising. Some of them are chosen in order to check the adequacy of their combination aiming at the design and implementation of an infrastructure, appropriate for handling the challenges of deploying and operating machine learning models in production. These tools are assessed considering the classification of backscatter images of the seabed into certain classes of specific composition. Approaching the problem according to different solutions but also to different datasets, the tools considered are evaluated. At the same time, the benefits of using them for finding the best possible solution during the development of new classification methods but also during continuous integration of the deployed model, are noticed.	en
heal.advisorName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Στάμου, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	86 σ.	el
heal.fullTextAvailability	false