Dynamic MLOps Framework with Integrated CLI for Automated ML Project Inception, Kafka-Driven Real-Time Model Monitoring, and Adaptive Canary Deployment Architectures

Diplomová práce představuje Python framework a knihovnu s integrovaným CLI, navrženým ke zjednodušení správy životního cyklu ML systémů automatizací iniciální incepce projektů, monitorování modelů v reálném čase a adaptivních architektur „canary“ nasazení. Knihovna umožňuje automatizovanou incepci ML projektů napříč různými konfigurovatelnými ML paradigmaty (ať už jde o Random Forest klasifikaci, XGBoost regresi, predikci časových řad založené na T5 transformerech, NLP úlohy založené na encoder-only / encoder-decoder / decoder-only transformerech, či prakticky jakékoliv jiné konfigurovatelné ML paradigma) s optimalizovanými adresáři, podadresáři a konfiguračními soubory splňujícími doporučené MLOps postupy. Knihovna je postavena nad plugin architekturou pro rozšiřitelnost umožňující integraci s dalšími klíčovými komponentami, jako jsou monitorování modelů v reálném čase s mechanismy detekce anomálií, adaptivní architektury „canary“ nasazení a integrované uživatelské rozhraní pro monitoring a řízení nasazení. Monitorování modelů je implementováno prostřednictvím nástroje pro vysokorychlostní datové toky s nízkou latencí Apache Kafka. Nasazené ML modely vystupují jako Kafka producenti, emitující inferenční data a metriky kvality modelů v reálném čase, serializované pomocí Apache Avro pro vynucení schématu. Monitorování modelů je doplněno o detekci anomálií, datového a koncepčního driftu pomocí metod jako PSI, Isolation Forests nebo LSTM auto-encoderů. Adaptivní architektury a strategie „canary“ nasazení jsou implementovány specificky pro ML systémy.