Browsing by Subject "Despliegue continuo"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    Creación automática de pipelines para CI/CD usando técnicas de reutilización y variabilidad
    (Pontificia Universidad Javariana Cali, 2025) Cruz Delgado, Robinson; Chavarriaga, Jaime Alberto
    La integración y despliegue continuo, junto con los pipelines como código, han generado una revolución en la industria del software permitiendo publicar cambios desde el código en menos de una hora en producción. Sin embargo, los pipelines como código agregan los mismos problemas del código en general, como malas prácticas de desarrollo y configuración, vulnerabilidades, desconfianza o sobrecostos durante su ejecución. Aunque, se han creado herramientas para generar pipelines e intentar solventar estos problemas, algunos se enfocan en una o dos herramientas de CI/CD y no brindan variedad y en otros casos solo se llega el pipeline hasta la fase de pruebas o entrega continua, pero no hasta el despliegue. Por ello, se creó una herramienta que aproveche las cualidades de la variabilidad y el reuso, para generar pipelines de CI/CD mitigando los problemas ya mencionados. Al dar solución a esta problemática, se tiene un punto de partida para crear una herramienta más robusta y con mayor variabilidad para generar pipelines de CI/CD y otras características que se percibieron para trabajos futuros.
  • Thumbnail Image
    Item
    Propuesta de implementación de Integración Continua (CI) y Despliegue Continuo (CD) en aplicaciones legacy de la Pontificia Universidad Javeriana Cali
    (Pontificia Universidad Javeriana Cali, 2025) Morales Agredo, Andersson; Rincón Pérez, Luisa Fernanda
    Este proyecto de grado propuso una solución de integración y entrega continua (CI/CD) orientada a mejorar los procesos de desarrollo y despliegue de software en aplicaciones heredadas de la Pontificia Universidad Javeriana Cali. La propuesta se fundamentó en el aprovechamiento de herramientas ya disponibles en el entorno institucional y tuvo como objetivo diseñar e implementar una solución técnica adaptada al contexto de sistemas legados, con énfasis en la automatización, la trazabilidad y la eficiencia operativa. La solución se implementó y evaluó en un entorno controlado, mediante pruebas de concepto realizadas sobre aplicaciones funcionales institucionales. Esta implementación permitió verificar la viabilidad técnica de la propuesta, así como evidenciar su impacto positivo en la reducción de errores post-despliegue, en el fortalecimiento de la calidad del software entregado y en la mejora significativa de los tiempos de entrega. El proyecto definió y aplicó métricas para comparar el desempeño del pipeline automatizado frente a los procesos manuales previamente utilizados. Los resultados obtenidos reflejaron mejoras tangibles en trazabilidad, seguridad y eficiencia. Además, se identificaron oportunidades de mejora y se documentaron recomendaciones técnicas para una adopción escalable de la solución. Finalmente, esta experiencia puede servir como referente replicable para otras organizaciones académicas que enfrenten desafíos similares en la modernización de sus procesos de entrega de software.
  • Thumbnail Image
    Item
    Prototipo para predecir el precio de Bitcoin por medio de Machine Learning haciendo uso de despliegue continuo
    (Pontificia Universidad Javeriana Cali, 2025) Herrera Salcedo, José Fernando; Noreña Agudelo, Luis Gonzalo
    Este proyecto de grado aborda la volatilidad del precio de Bitcoin, que dificulta la toma de decisiones de inversión, mediante el desarrollo de un prototipo para su predicción utilizando Machine Learning (ML) y operaciones de ML (MLOps) para despliegue continuo. Dada la relevancia de Bitcoin y las dificultades que enfrentan los inversores, este trabajo busca ofrecer una solución tecnológica que apoye decisiones más informadas mediante predicciones actualizadas y transparentes. El objetivo general fue diseñar, implementar y evaluar una arquitectura MLOps en la nube (Azure) para automatizar el ciclo de vida de modelos de predicción de series temporales, lo que incluyó determinar variables relevantes (históricos de precio/volumen de exchanges Bitstamp, Binance, Coinbase y métricas on-chain como cantidad movida, transacciones y dificultad de minado desde un nodo local), elaborar un conjunto de datos horario consolidado (inicialmente horario y luego agregado a frecuencia diaria para el entrenamiento de los modelos), desarrollar y comparar modelos LSTM y GRU, seleccionar el de mejor rendimiento, e implementar una aplicación web para visualizar los resultados. Como principales resultados, se implementó la arquitectura MLOps utilizando Azure Data Lake, Databricks, MLflow y Azure Container Apps; el modelo GRU fue seleccionado por su desempeño (MAPE promedio de 1,66%, el cual se alcanzó al entrenar el modelo excluyendo las variables de la cadena; se desarrolló y desplegó una aplicación web con Streamlit mediante CI/CD (Docker, GitHub Actions, Azure Container Registry/Apps) que muestra la predicción diaria y métricas, y se logró la automatización del reentrenamiento diario del modelo. Las lecciones aprendidas destacan la importancia de la fuente y el preprocesamiento de datos (incluyendo transformaciones como diferencia logarítmica), la viabilidad y beneficios de implementar MLOps y CI/CD en la nube, y el desafío persistente que representa predecir con alta precisión la volatilidad inherente del mercado de Bitcoin.