Nesta palestra, exploraremos como a aplicação de MLOps (Machine Learning Operations) pode automatizar e otimizar processos ao longo do ciclo de vida de modelos de inteligência artificial, facilitando a melhoria contínua de modelos implantados em diversas aplicações.

Discutiremos abordagens para a implementação de pipelines eficientes que integram preparação de dados, treinamento, deploy e monitoramento de modelos, com o objetivo de melhorar a performance e reduzir o tempo de entrega em ambientes de produção. A palestra será baseada em casos práticos de projetos de visão computacional que lidam com grandes volumes de dados e processamento intensivo.

Assim, esta será uma oportunidade de reflexão sobre como MLOps pode facilitar a entrega contínua de soluções de IA.

Nesta palestra, abordaremos como o MLOps (Machine Learning Operations) está transformando a maneira como desenvolvemos e gerenciamos modelos de inteligência artificial, com ênfase na automação e otimização de processos ao longo do ciclo de vida dos modelos. Focaremos especialmente em projetos de visão computacional, onde a complexidade e a quantidade de dados são significativas. Serão analisadas boas práticas em MLOps, incluindo o uso de ferramentas open source, como Kubeflow e DVC, que garantem escalabilidade, versionamento e reprodutibilidade em todas as etapas do ciclo de vida dos modelos. A palestra também discutirá a implementação de pipelines eficientes que integram preparação de dados, treinamento, deploy e monitoramento de modelos, com o objetivo de melhorar a performance e reduzir o tempo de entrega em ambientes de produção. Além disso, exploraremos como a colaboração entre equipes de ciência de dados e operações pode ser facilitada através da adoção de práticas ágeis e da implementação de testes automatizados.

Engenheiro mecânico formado pela Escola Politécnica da UFRJ, com mestrado em engenharia elétrica pela Escola Politécnica da USP e pela University of Twente. Desde 2019, atua de forma interdisciplinar