Laboratório Avançado de Inteligência Artificial

Conhecimentos de Base Recomendados

Conhecimento sólido sobre conceitos e modelos de machine learning; Conhecimentos de Programação; Conhecimentos dos conceitos base de engenharia de software.

Métodos de Ensino

Esta unidade curricular pretende promover a aquisição de competências em operações de IA e ML através de através de uma mistura entre teórica e prática. Em cada aula, serão introduzidos os conceitos básicos de cada capítulo utilizando exemplos práticos para facilitar a aquisição de conhecimento. Cada aula terá trabalhos práticos, permitindo aos estudantes aplicar os conceitos em cenários reais. Existirá um projeto permitir aos alunos estabelecer uma pipeline completa de CI/CD para um modelo de IA, unindo desenvolvimento e operações, que deverá considerar todos os aspetos das operações de IA e ML, possibilitando aos estudantes demonstrar a sua proficiência na gestão do ciclo de vida completo dos modelos de IA, desde o desenvolvimento até à implementação e manutenção. 

Resultados de Aprendizagem

• Desenvolver competências na eficaz implementação de modelos de IA.
• Compreender e implementar frameworks de ML Ops e AI Ops.
• Gerir o ciclo de vida de modelos de machine learning desde o desenvolvimento até à produção.
• Abordar desafios como o drift de modelos, escalabilidade e integração de dados em tempo real.
• Abordar os desafios relacionados com segurança e conformidade em relação a aspetos legais.

Estágio(s)

Não

Programa

1) Introdução: Pipeline de IA/ML; Exemplos de sistemas de IA bem-sucedidos
2) Recolha, Preparação e Versionamento de Dados: Fontes de dados, APIs e raspagem da web; Limpeza e transformação de dados; Versionamento de Dados
3) Desenvolvimento e Validação de Modelos: Escolha de algoritmos e ferramentas; Treino, validação cruzada e métricas de avaliação; Versionamento de Modelos
4) Implementação de Modelos: Estratégias de implementação (nuvem, local); Docker e Kubernetes; Pipelines para testes e CI/CD
5) Integração com Aplicações: Desenvolvimento de API; Processamento de dados em tempo real
6) Escalabilidade e Gestão: Monitorização de desempenho; Visualização com Prometheus, Grafana; Escalabilidade para alta disponibilidade
7) Deteção de Derrapagem: Deteção e correção; Re-treino de modelos; Teste A/B
8) Segurança e Conformidade: Privacidade e segurança de dados; Cumprimento regulatório
9) Tópicos Avançados: Aprendizagem federada; Casos de sucesso em AI Ops.

Docente(s) responsável(eis)

João Rodrigues de Campos

Métodos de Avaliação

Avaliação
Trabalho de investigação: 20.0%
Projecto: 30.0%
Exame: 50.0%

Bibliografia

1.“Machine Learning Engineering” by Andriy Burkov, 2020
2.“ML Ops: Operationalizing Data Science” by David Sweenor, Steven Hillion, Dan Rope, Dev Kannabiran, Thomas Hill, Michael O’Connell, 2020, O’Reilly
3.“Building Machine Learning Powered Applications” by Emmanuel Ameisen, 2020, O’Reilly
4.“Building Machine Learning Pipelines” by Hannes Hapke, Catherine Nelson, 2020, O’Reilly
5.“Managing Data Science” by Kirill Dubovikov, 2019, Packt Publishing
6.“Serving Machine Learning Models: A Guide to Architecture, Stream Processing Engines, and Frameworks” by Boris Lublinsky, O’Reilly Media, Inc. 2017.