Metodología MLOps para la entrega continúa de un modelo de machine learning para el reconocimiento y control de las plagas stenoma catenifer y heilipus lauri en el cultivo de aguacate hass
Loading...
Date
2024
Authors
Director
Journal Title
Journal ISSN
Volume Title
Publisher
Pontificia Universidad Javeriana Cali
Abstract
Este estudio se enfocó en la implementación de una metodología MLOps en la agricultura, específicamente en el cultivo del aguacate Hass, que enfrenta desafíos como las plagas. La metodología MLOps se destaca por mantener la operación y el despliegue de modelos de aprendizaje automático mientras se mejora su rendimiento. El objetivo es desarrollar un modelo de Machine Learning para el reconocimiento y control de plagas, utilizando técnicas de preprocesamiento y selección de características. Se propuso la implementación de una metodología MLOps que permitió la integración, automatización y monitoreo del modelo ML, validándola en un entorno controlado. Se creó una herramienta digital para los científicos de datos, facilitando la predicción y prevención de plagas. El proyecto generó un informe detallado del diseño, ejecución y evaluación de la metodología MLOps, así como la creación de una metodología que permita reevaluar continuamente el rendimiento del modelo de Machine Learning. Este enfoque contribuye a la sostenibilidad y productividad del sector agrícola.
Description
item.page.descriptioneng
This study focused on the implementation of the MLOps methodology in agriculture, specifically in Hass avocado cultivation, which faces challenges such as pests. The MLOps methodology stands out for maintaining the operation and deployment of machine learning models while improving their performance. The objective is to develop a machine learning model for pest recognition and control, utilizing preprocessing techniques and feature selection. It was proposed to implement an MLOps methodology that allows for the integration, automation, and monitoring of the ML model, validating it in a controlled environment. The project aims to create a digital tool for data scientists, facilitating pest prediction and prevention.
Keywords
Cultivo de aguacate, Plagas Stenoma catenifer, Heilipus lauri, Big data, Machine learning, MLOps, Avocado cultivation, Pests Stenoma catenifer