Práticas de MLOps em softwares reais

• Maurício Moraes Preto Carvalho UFG
• Sofia Larissa da Costa Paiva UFG

DOI: https://doi.org/10.5753/erigo.2025.17049

Resumo

Em um cenário no qual os modelos de Machine Learning (ML) vêm se tornando mais robustos, surge a necessidade de técnicas que aumentem a competitividade entre empresas que oferecem modelos de ML como um serviço. Entre essas técnicas emergentes, o Machine Learning Operations(MLOps), derivado das práticas de Desenvolvimento e Operações (DevOps), tem se destacado por automatizar o ciclo de vida dos modelos de ML para trazer maior praticidade e reduzir os gargalos do processo quando são realizados manualmente. Este artigo apresenta um estudo exploratório que investigou como MLOps tem sido utilizada na prática. Um estudo com praticantes da área foi realizado para entender as principais etapas e desafios de MLOps. Os resultados guiaram uma análise de um processo de MLOps em uma empresa. Os resultados destacam aspectos vantajosos, especialmente nas fases de implantação e monitoramento de projetos de ML, trazendo a eficiência que é inerente à automação.

Palavras-chave: MLOps, Machine Learning, DevOps, Automação, Implantação

Referências

AMORIM, B. F. Trabalho de Conclusão de Curso, Uma investigação dos desafios no ciclo de vida do aprendizado de máquina e a importância do MLOps: um survey. 2022. Trabalho de Conclusão de Curso (Especialização em Ciência de Dados) – Universidade Tecnológica Federal do Paraná, Campus Dois Vizinhos, Dois Vizinhos.

GOOGLE. Engines Mlops List. 2025. Acessado em: 31 jul. 2025. Disponível em: [link].

KORADA, L. Aiops and mlops: Redefining software engineering lifecycles and professional skills for the modern era. Journal of Engineering and Applied Sciences Technology, p. 5, 2023. ISSN 2634-8853.

KUMARA, I. et al. Requirements and reference architecture for mlops: Insights from industry. TechRxiv, 2022. Preprint publicado em TechRxiv. Disponível em: [link].

MÄKINEN, S. et al. Who needs mlops: What data scientists seek to accomplish and how can mlops help? In: 2021 IEEE/ACM 1st Workshop on AI Engineering - Software Engineering for AI (WAIN) of 43rd International Conference on Software Engineering (ICSE). [S.l.: s.n.], 2021. p. 20–27.

NOGARE, D.; SILVEIRA, I. F. Experimentation, deployment and monitoring machine learning models: Approaches for applying mlops. arXiv preprint arXiv:2408.11112, São Paulo, ago. 2024. Publicado em 22 de agosto de 2024. Disponível em: [link].

OLIVEIRA, W. C. d. S. Aplicando análise qualitativa para caracterização dos princípios DevOps em uma empresa do setor público. Trabalho de Conclusão de Curso (Graduação em Engenharia da Computação), São Luís, 2018. Disponível em: [link].

ORACLE. Data science lifecycle: um guia para a ciência de dados. 2019. Disponível em: [link].

RUNESON, P.; HöST, M. Guidelines for conducting and reporting case study research in software engineering. Empirical Software Engineering, Springer, v. 14, n. 1, p. 131–164, 2009. DOI: 10.1007/s10664-008-9102-8.

SILVA, L. C. et al. Qualidade de software para engenheiros de ia: Um estudo inicial da realidade brasileira. Universidade Estadual do Ceará, Fortaleza, Ceará, 2023. Disponível em: [link].

VALENTE, M. T. Engenharia de Software Moderna. 1. ed. [s.n.], 2020. ISBN 978-6500019506. Disponível em: [link].