Ezzel az azonosítóval hivatkozhat erre a dokumentumra forrásmegjelölésben vagy hiperhivatkozás esetén:
http://elartu.tntu.edu.ua/handle/lib/50534| Title: | Методи та засоби MLOps для створення інтегрованої системи автоматизації безперервної побудови, розгортання та моніторингу моделей машинного навчання |
| Other Titles: | Methods and tools of MLOps for creating an integrated automation system for continuous building, deployment, and monitoring of machine learning models |
| Authors: | Андруньків, Сергій Романович Andrunkiv, Serhii |
| Affiliation: | Тернопільський національний технічний університет імені Івана Пулюя Ternopil Ivan Puluj National Technical University |
| Bibliographic description (Ukraine): | Андруньків С.Р. Методи та засоби MLOps для створення інтегрованої системи автоматизації безперервної побудови, розгортання та моніторингу моделей машинного навчання : кваліфікаційна робота на здобуття ступеня магістр: спец. 123 — комп’ютерна інженерія / наук.кер. А.М. Луцків. — Тернопіль: ТНТУ, 2025. — 105 с. |
| Bibliographic description (International): | Andrunkiv S. Methods and tools of MLOps for creating an integrated automation system for continuous building, deployment, and monitoring of machine learning models : Master Thesis „123 — Computer Engineering“ / Serhii Andrunkiv - Ternopil, TNTU, 2025 – 105 p. |
| Issue Date: | 15-dec-2025 |
| Submitted date: | 22-jún-2025 |
| Date of entry: | 22-dec-2025 |
| Publisher: | Тернопільський національний технічний університет імені Івана Пулюя |
| Country (code): | UA |
| Place of the edition/event: | Тернопільський національний технічний університет імені Івана Пулюя |
| Supervisor: | Луцків, Андрій Мирославович Lutskiv, Andriy |
| Committee members: | Фриз, Михайло Євгенович Fryz, Mykhailo |
| UDC: | 004.8 |
| Keywords: | 123 комп’ютерна інженерія MLOps GitOps автоматизація безперервна інтеграція інфраструктура як код контейнеризація оркестрація Kubernetes Docker версіонування даних DVC відстеження експериментів MLflow аналіз коду моніторинг Linkerd Argo CD безпека automation continuous integration infrastructure as code containerization orchestration data versioning experiment tracking code analysis monitoring security |
| Number of pages: | 105 |
| Abstract: | Кваліфікаційна робота присвячена вирішенню сучасної проблеми операціоналізації машинного навчання. Вона демонструє проєктування та практичну реалізацію комплексної, автоматизованої платформи для повного життєвого циклу моделі аналізу тональності. Метою є створення надійного, відтворюваного та безпечного конвеєра, який дозволяє розробникам швидко доставляти оновлення моделі від коміту коду до робочого середовища, мінімізуючи ручне втручання та ризики, пов'язані з розгортанням.
Дана робота поєднує стек інструментів DevOps та MLOps. Система побудована навколо GitLab CI як ядра автоматизації, Kubernetes як платформи оркестрації та Argo CD для реалізації GitOps-підходу. Процес автоматизує версіонування даних, відстеження експериментів, контроль якості коду та контейнеризацію. Особлива увага приділена просунутим концепціям, таким як Service Mesh, що забезпечує автоматичне mTLS-шифрування та глибокий моніторинг "золотих сигналів" розгорнутого API-сервісу. The qualification thesis is dedicated to solving the modern problem of operationalizing machine learning (MLOps). It demonstrates the design and practical implementation of a comprehensive, automated platform for the complete lifecycle of a sentiment analysis model. The objective is to create a reliable, reproducible, and secure pipeline that allows developers to quickly deliver model updates from code commit to the production environment, minimizing manual intervention and deployment-related risks. This work combines a stack of DevOps and MLOps tools. The system is built around GitLab CI as the core of automation, Kubernetes as the orchestration platform, and Argo CD for implementing the GitOps approach. The process automates data versioning, experiment tracking, code quality control, and containerization. Special attention is given to advanced concepts, such as a Service Mesh, which provides automatic mTLS encryption and deep monitoring of the deployed API service's "golden signals". |
| Content: | ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ СИМВОЛІВ, ОДИНИЦЬ, СКОРОЧЕНЬ І ТЕРМІНІВ 8 ВСТУП 10 РОЗДІЛ 1 АНАЛІТИЧНА ЧАСТИНА 13 1.1. Проблематика життєвого циклу ML-систем 13 1.2. MLOps як комплексна методологія автоматизації та управління системами машинного навчання 14 1.3. Аналіз сучасних архітектурних підходів до розгортання сервісів ML 16 1.4. Еволюція практик розгортання 18 1.5. Вимоги до безпеки та спостережності у мікросервісних архітектурах 20 1.6. Обґрунтування вибору інтегрованої платформи MLOps 22 РОЗДІЛ 2 ТЕОРЕТИЧНА ЧАСТИНА 25 2.1. Загальна архітектура інтегрованої платформи MLOps 25 2.2. Обґрунтування вибору інструментів оркестрації та інфраструктури 27 2.2.1. Платформа контейнеризації Docker та оркестратор Kubernetes 27 2.2.2. Інструмент автоматизації інфраструктури Terraform 28 2.2.3. Мова розмітки YAML у конфігураційному управлінні 29 2.3. Огляд засобів автоматизації CI/CD та реалізації GitOps 30 2.3.1. Платформа GitLab та архітектура CI-ранерів 30 2.3.2. GitOps-оператор Argo CD 31 2.3.3. Система статичного аналізу коду SonarQube 32 2.4. Програмний стек розробки моделей машинного навчання 33 2.4.1. Мова програмування Python та бібліотеки аналізу даних 33 2.4.2. Фреймворк створення веб-сервісів FastAPI 33 2.4.3. Інструменти DVC та MLflow 35 2.5. Проєктування системи безпеки та спостережності 35 2.5.1. Архітектура Linkerd Service Mesh 36 2.5.2. Механізми збору метрик Prometheus та Grafana 37 2.6. Архітектура Linkerd та мережевої взаємодії в Kubernetes 38 2.7. Огляд діаграми класів програмних модулів 39 2.8. Блок-схеми алгоритмів роботи програмних модулів 41 РОЗДІЛ 3 ПРАКТИЧНА ЧАСТИНА 44 3.1. Підготовка середовища та репозиторіїв для циклу MLOps 44 3.2. Автоматизоване розгортання інфраструктури платформи 49 3.3. Створення декларативних маніфестів додатка у GitOps-репозиторії 60 3.4. Розробка сервісу моделі та конфігурація додатка 65 3.5. Розробка та конфігурація CI/CD конвеєра 71 3.6. Верифікація наскрізного MLOps-циклу та тестування сервісу 78 РОЗДІЛ 4 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 84 4.1. Охорона праці 84 4.2. Оцінка дії електромагнітного поля, хвиль, імпульсу на людину та апаратуру, способи захисту 86 ВИСНОВКИ 90 СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 92 ДОДАТОК А Тези конференцій 95 ДОДАТОК Б Скрипти тренування моделі, генерування артефактів та опису конвеєра CI/CD 101 |
| URI: | http://elartu.tntu.edu.ua/handle/lib/50534 |
| Copyright owner: | © Андруньків Сергій Романович, 2025 © Andrunkiv Serhii, 2025 |
| References (Ukraine): | Луцик Н.С., Луцків А.М., Осухівська Г.М., Тиш Є.В. ПрЛуцик Н.С., Луцків А.М., Осухівська Г.М., Тиш Є.В. Методичні рекомендації до виконання кваліфікаційної роботи магістра для студентів спеціальності 123 «Комп’ютерна інженерія» другого (магістерського) рівня вищої освіти усіх форм навчання. Тернопіль. 2024. 44 с.ограма та методичні рекомендації з проходження практики за тематикою кваліфікаційної роботи для студентів спеціальності 123 «Комп’ютерна інженерія» другого (магістерського) рівня вищої освіти усіх форм навчання. Тернопіль: ТНТУ. 2024. 45 с. Варавін А.В., Лещишин Ю.З., Чайковський А.В. Методичні вказівки до виконання курсового проєкту з дисципліни «Дослідження і проєктування комп’ютерних систем та мереж» для здобувачів другого (магістерського) рівня вищої освіти спеціальності 123 «Комп’ютерна інженерія» усіх форм навчання. Тернопіль: ТНТУ, 2024. 32 с. А. Луцків, С. Андруньків. Розробка системи моніторингу семантичної якості та галюцинацій для моделей LLM в MLOps. Актуальні задачі сучасних технологій: Праці XІV наук.-прак. конф. (Тернопіль, 11-12 грудня 2025 р.), Тернопіль, 2025, с. 295. А. Луцків, С. Андруньків. Інтерпретація чорних скриньок. Використання методів SHAP та LIME для візуалізації процесу прийняття рішень у глибоких нейронних мережах. Інформаційні моделі, системи та технології: Праці XІІI наук.-техн. конф. (Тернопіль, 17-18 грудня 2025 р.), Тернопіль, 2025, с. 54. Lutskiv A., Popovych N. Big data-based approach to automated linguistic analysis effectiveness. IEEE Third International Conference on Data Stream Mining & Processing. August 21- 25, 2020, Lviv, Ukraine pp.438–443. Lutskiv A. Lutsyshyn R. Corpus-Based Translation Automation in Adaptable Corpus Translation Module. Computational Linguistics and Intelligent Systems. Proc. 5th Int. Conf. COLINS 2021. Volume I: Workshop. Lviv, Ukraine, April 22-23, 2021, CEUR-WS.org, online. pp.374-395. Yatsyshyn V., Kharchenko O., Lutskiv A. Maturity. Requirements Model for Software Requirements with the Implementation of ISO/IEC 25010 Recommendations. International Journal "Information Models and Analyses" Volume 9, Number 2, 2020. Рр.126-143. Yatsyshyn V., Pastukh O., Lutskiv A., Tsymbalistyy V., Martsenko N. A Risks management method based on the quality requirements communication method in agile approaches / //Information Technologies: Theoretical and Applied Problems 2022 (ITTAP 2022), Ternopil, Ukraine, November 22-24, 2022. pp.1-10. Burkov A. Machine Learning Engineering. Quebec: True Positive Inc., 2020. 270 p. Treveil M. et al. Introducing MLOps: How to Scale Machine Learning in the Enterprise. Sebastopol: O’Reilly Media, 2020. 186 p. Gift N., Deza A. Practical MLOps: Operationalizing Machine Learning Models. Sebastopol: O’Reilly Media, 2021. 458 p. Субботін С. О. Нейронні мережі: теорія та практика: навч. посіб. Житомир: Вид-во О. О. Євенок, 2020. 184 с. Гороховатський В.О., Творошенко І.С. Методи інтелектуального аналізу та оброблення даних: навч. посіб. Харків: ХНУРЕ, 2021. 92 с. Yuen B., Matyushentsev A., Ekenstam T., Suen J. GitOps and Kubernetes: Continuous Deployment with Argo CD, Jenkins X, and Flux. Shelter Island: Manning Publications, 2021. 344 p. Burns B., Beda J., Hightower K. Kubernetes: Up and Running. 2nd ed. Sebastopol: O’Reilly Media, 2019. 278 p. Зінченко О.В., Іщеряков С.М., Прокопов С.В., Сєрих С.О., Василенко В.В. Хмарні технології: навч. посіб. Київ: ФОП Гуляєва В.М., 2020. 74 с. Sayfan G. Mastering Kubernetes: Level up your container orchestration skills with Kubernetes. 3rd ed. Birmingham: Packt Publishing, 2020. 642 p. Brikman Y. Terraform: Up and Running: Writing Infrastructure as Code. 2nd ed. Sebastopol: O’Reilly Media, 2019. 368 p. Morgan J., Flynn. Linkerd: Up and Running. San Francisco: Buoyant, 2025. 534 p. Литвин В. В., Пасічник В.В., Яцишин Ю.В. Інтелектуальні системи: підручник. Львів: Новий Світ-2000, 2020. 406 с. Humble J., Farley D. Continuous Delivery: Reliable Software Releases through Build, Test, and Deployment Automation. Boston: Addison-Wesley Professional, 2010. 512 p. Voron M. Building Data Science Applications with FastAPI. Birmingham: Packt Publishing, 2023. 422 p. McKinney W. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. 2nd ed. Sebastopol: O’Reilly Media, 2017. 550 p. GitLab CI: Feature Overview, Tutorial and Best Practice. URL: https://codefresh.io/learn/gitlab-ci/ (дата звернення: 25.11.2025). Data Version Control (DVC): An Overview. URL: https://dvc.org/doc (дата звернення: 25.11.2025). Argo CD: Declarative GitOps for Kubernetes. URL: https://argo-cd.readthedocs.io (дата звернення: 25.11.2025). Linkerd: The World’s Lightest Service Mesh. URL: https://linkerd.io (дата звернення: 25.11.2025). Стручок В.С. Методичний посібник для здобувачів освітнього ступеня «магістр» всіх спеціальностей денної та заочної (дистанційної) форм навчання «БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ». Тернопіль: ФОП Паляниця В. А. 156 с. Стручок В.С. Навчальний посібник «ТЕХНОЕКОЛОГІЯ ТА ЦИВІЛЬНА БЕЗПЕКА. ЧАСТИНА «ЦИВІЛЬНА БЕЗПЕКА»». Тернопіль: ФОП Паляниця В. А. 156 с. |
| Content type: | Master Thesis |
| Ebben a gyűjteményben: | 123 — комп’ютерна інженерія |
Fájlok a dokumentumban:
| Fájl | Leírás | Méret | Formátum | |
|---|---|---|---|---|
| Serhii_Andrunkiv.pdf | 8,87 MB | Adobe PDF | Megtekintés/Megnyitás |
Minden dokumentum, ami a DSpace rendszerben szerepel, szerzői jogokkal védett. Minden jog fenntartva!
Admin Tools