Vloga MLOps pri razvoju programske opremeFortuna, Feliks (Avtor) Lavbič, Dejan (Mentor) MLOpsDevOpsmetodologijestrojno učenjerazvoj programske opremeS hitro rastjo uporabe umetne inteligence in strojnega učenja se podjetja soočajo z izzivi implementacije in vzdrževanja modelov v produkcijskem okolju. MLOps je metodologija, ki združuje principe DevOps in naslavlja specifične potrebe strojnega učenja s ciljem avtomatizacije, standardizacije in učinkovitega upravljanja celotnega življenjskega cikla modelov strojnega učenja. V diplomski nalogi smo raziskali vlogo MLOps pri razvoju programske opreme ter izvedli praktično primerjavo z DevOps pristopom na primeru razvoja sistema za napovedovanje zmagovalcev kolesarskih dirk, medtem ko smo druge metodologije razvoja primerjali s teoretičnega vidika. Raziskava je pokazala, da MLOps pristop prinaša številne prednosti pri razvoju sistemov strojnega učenja predvsem v smislu avtomatizacije, sledljivosti in zanesljivosti modelov, medtem ko DevOps ostaja primernejši za projekte z redkejšimi posodobitvami modelov in za okolja z omejenimi računalniškimi viri. Rezultati te raziskave predstavljajo pomemben referenčni okvir za organizacije pri načrtovanju in optimizaciji razvojnih procesov sistemov strojnega učenja.20252025-03-20 15:45:00Diplomsko delo/naloga167938VisID: 37357COBISS_ID: 232114691sl