Аналіз архітектурних підходів до створення автоматизованої системи навчання моделей штучного інтелекту

Abstract

У роботі проаналізовано проблеми життєвого циклу MLOps та обґрунтовано необхідність контейнеризації для забезпечення відтворюваності. Проведено критичний огляд існуючих рішень, визначено архітектурну прогалину та запропоновано гібридний підхід. Реалізовано MLOps-платформу на базі Kubernetes, MLflow та MinIO, експериментально підтверджено ефективність у керуванні ресурсами та аналізі гетерогенних моделей.

The paper analyzes MLOps lifecycle challenges and justifies the need for containerization to ensure reproducibility. Existing solutions are critically reviewed, an architectural gap is identified, and a hybrid approach is proposed. The MLOps platform, built using Kubernetes, MLflow, and MinIO, is implemented and experimentally validated for efficient resource management and analysis of heterogeneous models.