Detalhes bibliográficos
| Ano de defesa: |
2020 |
| Autor(a) principal: |
Ribeiro, José Lucas Santos |
| Orientador(a): |
Cacho, Nelio Alessandro Azevedo |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Federal do Rio Grande do Norte
|
| Programa de Pós-Graduação: |
PROGRAMA DE PÓS-GRADUAÇÃO EM SISTEMAS E COMPUTAÇÃO
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.ufrn.br/handle/123456789/30696
|
Resumo: |
Soluções inteligentes para classificação de dados que fazem uso de Machine Learning estão em um momento de ascensão. A área de análise de dados está atraindo cada vez mais desenvolvedores e pesquisadores, porém as soluções desenvolvidas precisam ser modularizadas em componentes bem definidos para ser possível paralelizar algumas etapas e obter um bom desempenho na etapa de execução. A partir dessa motivação, este trabalho propõe uma arquitetura genérica para classificação de dados, nomeada Machine Learning in Serverless Architecture (MLSA), que pode ser reproduzida em um ambiente de produção. Além disso, é apresentada a utilização da arquitetura em um projeto que faz classificação multi-label de imagens para recomendar pontos turísticos ao usuário e uma validação do uso de serverless para servir modelos de Machine Learning. Ao utilizar este tipo de abordagem, foi obtido uma diminuição de pelo menos 60% no tempo de processamento comparado à uma abordagem monolítica. |
