Machine learning pipelines in serverless environments

Abstract

H συγγραφή της παρούσας διπλωματικής εργασίας πραγματεύεται τη μελέτη, ανάπτυξη, και υλοποίηση σύνθετων υπηρεσιών Μηχανικής Μάθησης σε Serverless περιβάλλοντα. Οι Serverless αρχιτεκτονικές με τη προώθηση του μοντέλου Function as a Service -FaaS- έχουν υιοθετηθεί και χρησιμοποιούνται εκτεταμένα από θεμελιώδεις Cloud Provider Companies όπως Amazon, Microsoft, IBM, Digital Ocean γνωρίζοντας τη μαζική αποδοχή των χρηστών εξαιτίας της προσφοράς σημαντικών πλεονεκτημάτων όπως η πλήρης απεξάρτηση του χρήστη από τη διαχείριση συστημάτων, κλιμακωσιμότητα σε υποδομή, και πληρωμή υπηρεσιών αποκλειστικά κατά για τη χρήση των εφαρμογών άνευ απαίτησης για πλήρη μίσθωση υπολογιστικών πόρων σε υπηρεσίες νέφους. Η υλοποίηση της εργασίας συνδυάζει το Serverless μοντέλο μαζί με τεχνικές και μεθόδους της επιστήμης των δεδομένων και πρακτική εφαρμογή αλγορίθμων μηχανικής μάθησης (πλέον βαθείας μηχανικής μάθησης) -με έμφαση στην επιλογή τεχνητών νευρωνικών δικτύων- εκθέτοντας μια ολοκληρωμένη custom-made workflow αλυσίδα από functions - με την υποστήριξη της open-source κατανεμημένης event-driven Serverless πλατφόρμας “Apache OpenWhisk”- προς επίλυση ενός προβλήματος κατηγοριοποίησης.