• AI
• Coud Computing
• Financial Sector
• Machine Learning
• MLOps

Questo lavoro esplora il nuovo campo delle pratiche MLOps e la sua interazione con il cloud computing, presentando un nuovo ed efficiente approccio alla produzione di modelli di machine learning. Lo studio approfondisce le sfide affrontate dalle aziende nel passaggio da un approccio basato sulla ricerca ad uno basato sulla produzione scalabile e robusta dei modelli per applicazioni reali.

Attraverso una revisione del panorama attuale, questo lavoro chiarisce il ruolo apicale delle pratiche MLOps nel colmare il divario tra la ricerca e la messa in produzione dei modelli. Sottolinea inoltre la necessità di processi automatici e sistemi che consentano alle organizzazioni di sfruttare al massimo i loro investimenti nel machine learning.

Per dimostrare le implicazioni pratiche di queste pratiche, viene presentato uno use case dettagliato che coinvolge la creazione di una pipeline all'interno di un istituto finanziario. Questa pipeline sfrutta le risorse del cloud computing per agevolare l'inferenza di un modello, mantenendo nel contempo gli standard di conformità e sicurezza cruciali nel settore finanziario.

This thesis explores the emerging field of MLOps (Machine Learning Operations) and its intersection with cloud computing, presenting a novel approach to the efficient production of machine learning models. The study delves into the challenges faced by organizations in transitioning from research-focused machine learning to scalable and robust model deployment for real-world applications. Through a comprehensive review of the current landscape, this work elucidates the critical role of MLOps in bridging the gap between data science research and effective model deployment. It highlights the need for streamlined processes and systems that enable organizations to capitalize on their machine learning investments. To demonstrate the practical implications of MLOps, a detailed case study is presented involving the creation of a robust pipeline tailored for a financial institute. This pipeline leverages cloud computing resources to facilitate model inference while maintaining compliance and security standards crucial in the financial sector.