Biografia
Filippo Lanubile è professore ordinario di informatica e direttore del Dipartimento di Informatica dell’Università degli Studi dii Bari, dove dirige anche il gruppo di ricerca sullo sviluppo collaborativo. È consigliere della Fondazione DARE, hub del progetto PNC “Digital Lifelong Prevention”. I suoi interessi di ricerca comprendono i fattori umani nell’ingegneria del software, lo sviluppo di software con l’ausilio dell’intelligenza artificiale, l’ingegneria dei sistemi software abilitati dall’intelligenza artificiale e l’informatica sanitaria.
Abstract
MLOPs come infrastruttura per modelli di ML in produzione
Nonostante la crescita impetuosa delle applicazioni di machine learning (ML), persiste una sfida significativa: numerose iniziative promettenti rimangono confinate ai notebook dei data scientist senza effettuare la transizione verso il rilascio in produzione. Questo intervento presenta MLOps come un approccio sistematico per automatizzare i flussi di lavoro di machine learning e gestire l'intero ciclo di vita dei modelli, contribuendo così a colmare il divario tra prototipazione e produzione dei modelli ML.
Presentazioni
Video
Bio
Filippo Lanubile is full professor of computer science and director of the Department of Computer Science at the University of Bari, where he also directs the collaborative development research group. He is advisor to the DARE Foundation, hub of the PNC project “Digital Lifelong Prevention”. His research interests include human factors in software engineering, AI-assisted software development, AI-enabled software systems engineering, and healthcare informatics.
Abstract
MLOPs as an infrastructure for ML models in production
Despite the rapid growth of machine learning (ML) applications, a significant challenge remains: many promising initiatives remain confined to data scientists’ notebooks without making the transition to production release. This talk introduces MLOps as a systematic approach to automate machine learning workflows and manage the entire model lifecycle, thereby helping to bridge the gap between prototyping and production of ML models.
Attribution 4.0 International