Implementación de las prácticas de MLOps para PATE

Abstract

Uno de los desafíos más importantes a la hora de compartir datos para entrenar modelos predictivos de inteligencia artificial es la protección de la información. El presente trabajo final surge como una investigación con el fin de validar la aplicación de MLOps (Operaciones de aprendizaje automático, en español) en el contexto de técnica PATE (“Private Aggregation of Teacher Ensembles”). Para ello se ha llevado a cabo un estudio del estado del arte, se han analizado herramientas de MLOps y posibles escenarios de implementación junto a su gobernanza y herramientas de intercambio de información de manera segura entre los actores del sistema (PySyft). Como resultado de este trabajo final se logró el análisis de cuatro herramientas de MLOps y la descripción detallada de una de ellas para el contexto definido. El trabajo permitió validar que todas las herramientas poseen pocas diferencias entre sí y podrían ser utilizadas. Se concluyó que PySyft en su versión 0.6. permite el intercambio de información de manera segura entre los actores del sistema. En base a la experiencia obtenida, podemos asegurar que se podría implementar la herramienta de PATE con PySyft y utilizar MLOps para optimizar tiempos y recursos al momento de hacer la comprobación de la función implementada. Se plantea cómo generar un entorno que contemple a todos los participantes incorporando PATE.