DISEÑO Y PRODUCTIVIZACIÓN DE MODELOS DE MACHINE LEARNING MEDIANTE TENSORFLOW

Abstract

La transición desde el desarrollo experimental de modelos de aprendizaje automático hacia su puesta en producción operativa constituye uno de los retos principales en el desarrollo de soluciones basadas en modelos de aprendizaje automático. Este trabajo de fin de grado aborda dicha problemática mediante el diseño, implementación y evaluación comparativa de diferentes estrategias de despliegue para un modelo de red neuronal artificial, entrenado para predecir el precio unitario de envíos en una cadena de suministro internacional.

El trabajo comienza detallando el flujo de preprocesamiento de datos, una etapa fundamental para adaptar la información del negocio a los requisitos matemáticos del modelo. Se describe exhaustivamente el proceso de preparación y adecuación del conjunto de datos, aplicando las transformaciones necesarias para convertir la información original en entradas aptas para ser consumidas por la red neuronal, la cual ha sido diseñada y entrenada utilizando la biblioteca TensorFlow.

Posteriormente, se desarrollan y contrastan tres arquitecturas de software diferenciadas. La primera solución se basa en la virtualización con Docker, desplegando un servidor dedicado mediante TensorFlow Serving. La segunda explora la integración en entornos empresariales Java, encapsulando el motor de ejecución dentro de una aplicación Spring Boot, prescindiendo así de servidores de inferencia externos. Por su parte, la última estrategia traslada la infraestructura a la nube, utilizando el servicio Amazon SageMaker AI de AWS para aprovisionar un servicio de inferencia totalmente gestionado.

Finalmente, las arquitecturas propuestas se someten a una fase de validación experimental. El estudio concluye con la ejecución de pruebas de carga diseñadas para evaluar el comportamiento del sistema bajo estrés, analizando métricas críticas como la fiabilidad, el rendimiento y la eficiencia computacional de cada solución en un entorno realista, identificando las fortalezas y debilidades técnicas inherentes a cada modelo de despliegue bajo condiciones establecidas.