1. ELARTU — Інституційний репозитарій ТНТУ імені Івана Пулюя
  2. Роботи студентів
  3. Магістр
  4. 123 — комп’ютерна інженерія
Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал: http://elartu.tntu.edu.ua/handle/lib/50534
Повний запис метаданих
Поле DCЗначенняМова
dc.contributor.advisorЛуцків, Андрій Мирославович-
dc.contributor.advisorLutskiv, Andriy-
dc.contributor.authorАндруньків, Сергій Романович-
dc.contributor.authorAndrunkiv, Serhii-
dc.date.accessioned2025-12-22T18:24:20Z-
dc.date.available2025-12-22T18:24:20Z-
dc.date.issued2025-12-15-
dc.date.submitted2025-06-22-
dc.identifier.citationАндруньків 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.uk_UA
dc.identifier.urihttp://elartu.tntu.edu.ua/handle/lib/50534-
dc.description.abstractКваліфікаційна 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.uk_UA
dc.description.abstractThe 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".uk_UA
dc.description.tableofcontentsПЕРЕЛІК 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 101uk_UA
dc.language.isoukuk_UA
dc.publisherТернопільський національний технічний університет імені Івана Пулюяuk_UA
dc.subject123uk_UA
dc.subjectкомп’ютерна інженеріяuk_UA
dc.subjectMLOpsuk_UA
dc.subjectGitOpsuk_UA
dc.subjectавтоматизаціяuk_UA
dc.subjectбезперервна інтеграціяuk_UA
dc.subjectінфраструктура як кодuk_UA
dc.subjectконтейнеризаціяuk_UA
dc.subjectоркестраціяuk_UA
dc.subjectKubernetesuk_UA
dc.subjectDockeruk_UA
dc.subjectверсіонування данихuk_UA
dc.subjectDVCuk_UA
dc.subjectвідстеження експериментівuk_UA
dc.subjectMLflowuk_UA
dc.subjectаналіз кодуuk_UA
dc.subjectмоніторингuk_UA
dc.subjectLinkerduk_UA
dc.subjectArgo CDuk_UA
dc.subjectбезпекаuk_UA
dc.subjectautomationuk_UA
dc.subjectcontinuous integrationuk_UA
dc.subjectinfrastructure as codeuk_UA
dc.subjectcontainerizationuk_UA
dc.subjectorchestrationuk_UA
dc.subjectdata versioninguk_UA
dc.subjectexperiment trackinguk_UA
dc.subjectcode analysisuk_UA
dc.subjectmonitoringuk_UA
dc.subjectsecurityuk_UA
dc.titleМетоди та засоби MLOps для створення інтегрованої системи автоматизації безперервної побудови, розгортання та моніторингу моделей машинного навчанняuk_UA
dc.title.alternativeMethods and tools of MLOps for creating an integrated automation system for continuous building, deployment, and monitoring of machine learning modelsuk_UA
dc.typeMaster Thesisuk_UA
dc.rights.holder© Андруньків Сергій Романович, 2025uk_UA
dc.rights.holder© Andrunkiv Serhii, 2025uk_UA
dc.contributor.committeeMemberФриз, Михайло Євгенович-
dc.contributor.committeeMemberFryz, Mykhailo-
dc.coverage.placenameТернопільський національний технічний університет імені Івана Пулюяuk_UA
dc.format.pages105-
dc.subject.udc004.8uk_UA
dc.relation.referencesЛуцик 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.uk_UA
dc.relation.referencesВаравін 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.uk_UA
dc.relation.referencesА. 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.uk_UA
dc.relation.referencesА. 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.uk_UA
dc.relation.referencesLutskiv 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.uk_UA
dc.relation.referencesLutskiv 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.uk_UA
dc.relation.referencesYatsyshyn 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.uk_UA
dc.relation.referencesYatsyshyn 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.uk_UA
dc.relation.referencesBurkov A. Machine Learning Engineering. Quebec: True Positive Inc., 2020. 270 p.uk_UA
dc.relation.referencesTreveil M. et al. Introducing MLOps: How to Scale Machine Learning in the Enterprise. Sebastopol: O’Reilly Media, 2020. 186 p.uk_UA
dc.relation.referencesGift N., Deza A. Practical MLOps: Operationalizing Machine Learning Models. Sebastopol: O’Reilly Media, 2021. 458 p.uk_UA
dc.relation.referencesСубботін С. О. Нейронні мережі: теорія та практика: навч. посіб. Житомир: Вид-во О. О. Євенок, 2020. 184 с.uk_UA
dc.relation.referencesГороховатський В.О., Творошенко І.С. Методи інтелектуального аналізу та оброблення даних: навч. посіб. Харків: ХНУРЕ, 2021. 92 с.uk_UA
dc.relation.referencesYuen 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.uk_UA
dc.relation.referencesBurns B., Beda J., Hightower K. Kubernetes: Up and Running. 2nd ed. Sebastopol: O’Reilly Media, 2019. 278 p.uk_UA
dc.relation.referencesЗінченко 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.uk_UA
dc.relation.referencesSayfan G. Mastering Kubernetes: Level up your container orchestration skills with Kubernetes. 3rd ed. Birmingham: Packt Publishing, 2020. 642 p.uk_UA
dc.relation.referencesBrikman Y. Terraform: Up and Running: Writing Infrastructure as Code. 2nd ed. Sebastopol: O’Reilly Media, 2019. 368 p.uk_UA
dc.relation.referencesMorgan J., Flynn. Linkerd: Up and Running. San Francisco: Buoyant, 2025. 534 p.uk_UA
dc.relation.referencesЛитвин В. В., Пасічник В.В., Яцишин Ю.В. Інтелектуальні системи: підручник. Львів: Новий Світ-2000, 2020. 406 с.uk_UA
dc.relation.referencesHumble J., Farley D. Continuous Delivery: Reliable Software Releases through Build, Test, and Deployment Automation. Boston: Addison-Wesley Professional, 2010. 512 p.uk_UA
dc.relation.referencesVoron M. Building Data Science Applications with FastAPI. Birmingham: Packt Publishing, 2023. 422 p.uk_UA
dc.relation.referencesMcKinney W. Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. 2nd ed. Sebastopol: O’Reilly Media, 2017. 550 p.uk_UA
dc.relation.referencesGitLab CI: Feature Overview, Tutorial and Best Practice. URL: https://codefresh.io/learn/gitlab-ci/ (дата звернення: 25.11.2025).uk_UA
dc.relation.referencesData Version Control (DVC): An Overview. URL: https://dvc.org/doc (дата звернення: 25.11.2025).uk_UA
dc.relation.referencesArgo CD: Declarative GitOps for Kubernetes. URL: https://argo-cd.readthedocs.io (дата звернення: 25.11.2025).uk_UA
dc.relation.referencesLinkerd: The World’s Lightest Service Mesh. URL: https://linkerd.io (дата звернення: 25.11.2025).uk_UA
dc.relation.referencesСтручок 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.uk_UA
dc.relation.referencesСтручок В.С. Навчальний посібник «ТЕХНОЕКОЛОГІЯ ТА ЦИВІЛЬНА БЕЗПЕКА. ЧАСТИНА «ЦИВІЛЬНА БЕЗПЕКА»». Тернопіль: ФОП Паляниця В. А. 156 с.uk_UA
dc.identifier.citationenAndrunkiv 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.uk_UA
dc.contributor.affiliationТернопільський національний технічний університет імені Івана Пулюяuk_UA
dc.contributor.affiliationTernopil Ivan Puluj National Technical Universityuk_UA
dc.coverage.countryUAuk_UA
Розташовується у зібраннях:123 — комп’ютерна інженерія

Файли цього матеріалу:
Файл Опис РозмірФормат 
Serhii_Andrunkiv.pdf8,87 MBAdobe PDFПереглянути/відкрити
Показати базовий опис матеріалу Перегляд статистики


Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.

Інструменти адміністратора