Resum: Este Trabajo Final de Grado (TFG) presenta el diseño e implementación de un sistema AutoML para la generación y evaluación de modelos de regresión. El objetivo principal del mismo, ubicado en la aplicación Performance AI de Serviceware, es facilitar el pro- ceso de creación de modelos predictivos para usuarios no expertos en el campo de la inteligencia artificial.

El desarrollo se basa en el uso de la biblioteca Auto-sklearn, que ofrece una interfaz fácil de usar y una amplia gama de algoritmos de Aprendizaje Automático o Machine Learning (ML) predefinidos. El sistema permite a los usuarios cargar conjuntos de datos personalizados y realizar tareas de preprocesamiento, selección de características y ajuste de hiperparámetros de manera automática. Además, se extiende una interfaz de usuario intuitiva que proporciona opciones para visualizar los resultados del en- trenamiento, realizar predicciones y generar informes detallados sobre los modelos obtenidos.
Para garantizar un despliegue ágil y escalable del sistema, se aprovecha una ar- quitectura en la nube que utiliza servicios como Azure, Nomad, Terraform, Docker y Nginx. Además, se implementa una estrategia de Continuous Integration/Continuous Deployment (CI/CD) para automatizar el desarrollo y despliegue del software. Esto permite una entrega rápida y confiable de nuevas funcionalidades mientras se asegura un rendimiento óptimo y una alta disponibilidad del sistema.
Se llevan a cabo pruebas y evaluaciones utilizando conjuntos de datos de diferentes características, incluidos los provenientes de una empresa en activo. Se comparan los resultados obtenidos con el uso de AutoML en Performance AI con los obtenidos mediante otros métodos convencionales, como la regresión lineal y el Random Forest. Se analiza el rendimiento de los modelos generados y se utiliza la métrica MAPE (Mean Absolute Percentage Error) para evaluar su precisión.
Los resultados muestran que el sistema logra generar modelos de regresión precisos y eficientes, incluso para usuarios no expertos en ML y ofrece una solución accesible y automatizada para la generación de modelos predictivos, lo que puede resultar de gran utilidad en diversas aplicaciones y sectores abriendo nuevas oportunidades en el campo del ML para usuarios no expertos.

Autor: Dawid Michal Roch Móll

Supervisors: Gabriel Moyà-Alcover i Antoni Jaume-i-Capó

Data defensa: 11/07/2023

Presentació