Details

Целью исследования является разработка и исследование внедрения методологии MLOPS для алгоритмов машинного обучения для выявления кожных заболеваний. Цель работы заключается во внедрении методологии в область дерматоскопии медицины для выявления кожных заболеваний, чтобы ускорить темпы выявления данных патологий. Машинное обучение доказало свою эффективность за счёт отсутствия многих ошибок, допускаемых человеком, быстрой обучаемости и эффективности. При всех плюсах присутствуют значительные минусы, которые могут перечеркнуть полученный результат и привести к непоправимым ошибкам. Именно поэтому было предпринято решение улучшить работу алгоритмов машинного обучения по средством внедрения методологии MLOps, которая призвана автоматизировать обучение алгоритмов, улучшить прозрачность получаемых результатов и пресекать пагубные для алгоритмов явления, например, дрифт данных. В результате исследования была исследовано применение MLOps для машинного обучения в сфере дерматоскопии. В ходе разработки была создана основа для работы автоматизированного конвейера. Область применения данной методологии преимущественно медицина в целом и дерматоскопия в частности. Используемое программное обеспечение: VSCode, PowerShell, Python, MLFlow.

The aim of this study is to develop and evaluate the implementation of the MLOPS methodology for machine learning algorithms for detecting skin diseases. The goal of the work is to implement this methodology in the field of medical dermatoscopy for the detection of skin diseases, in order to accelerate the detection of these pathologies. Machine learning has proven its effectiveness due to its elimination of many human errors, rapid learning, and efficiency. Despite these advantages, there are significant drawbacks that can negate the obtained results and lead to irreparable errors. Therefore, the decision was made to improve the performance of machine learning algorithms by implementing the MLOPS methodology, which is designed to automate algorithm training, improve the transparency of the obtained results, and prevent phenomena detrimental to algorithms, such as data drift. The study examined the application of MLOPS for machine learning in the field of dermatoscopy. During the development process, the foundation for an automated pipeline was created. The scope of this methodology is primarily medicine in general and dermatoscopy in particular. Software used: VSCode, PowerShell, Python, MLFlow.