Integração contínua (CI)

Porque é que a integração contínua é importante na IA/ML?

A natureza iterativa do desenvolvimento de IA/ML, que envolve experiências com dados, modelos e parâmetros (como a afinação de hiperparâmetros e o aumento de dados), torna a IC especialmente valiosa. A integração da CI fornece feedback rápido sobre as alterações, garantindo que o novo código se integra corretamente com a base de código existente e que o desempenho do modelo não se degrada inesperadamente. Os principais benefícios incluem:

• Deteção precoce de erros: Os testes automatizados detectam erros rapidamente após a fusão das alterações ao código, reduzindo o custo e o esforço de os corrigir mais tarde.
• Melhora a qualidade do código: Testes e integração consistentes incentivam melhores práticas de codificação e bases de código de fácil manutenção. Ferramentas como linters e analisadores estáticos fazem frequentemente parte do pipeline de CI.
• Ciclos de desenvolvimento mais rápidos: A automatização reduz os esforços de teste manual e permite que os programadores se concentrem na criação de funcionalidades.
• Desempenho consistente do modelo: Os pipelines de IC podem incluir etapas para avaliar a exatidão, precisão, recuperação e outras métricas relevantes do modelo, evitando regressões. Isto envolve frequentemente a verificação de métricas como a pontuação F1 ou a precisão média (mAP).
• Melhora a colaboração: A integração frequente minimiza os conflitos de fusão e mantém a equipa a trabalhar numa base de código actualizada.

Como funciona a CI em projectos de IA/ML

Num projeto típico de IA/ML que utiliza a CI, o processo começa frequentemente quando um programador faz o commit de alterações de código (incluindo scripts de modelos, ficheiros de configuração ou mesmo novos passos de processamento de dados) para um sistema de controlo de versões partilhado como o Git. Esse commit aciona automaticamente um pipeline de CI, geralmente gerenciado por plataformas como Jenkins, GitLab CI/CD ou GitHub Actions. Normalmente, o pipeline executa várias etapas:

1. Constrói: Compila o código e constrói os artefatos necessários (por exemplo, imagens do Docker).
2. Teste de unidade: Executa testes pequenos e isolados em componentes de código individuais.
3. Teste de integração: Testa a interação entre as diferentes partes do sistema.
4. Validação do modelo: Executa testes específicos do modelo de ML, como a verificação da integridade dos dados, a validação da arquitetura do modelo ou a execução da inferência num pequeno conjunto de dados de teste.
5. Teste de desempenho: Avalia as métricas de desempenho do modelo(mAP, precisão, latência) em relação a benchmarks predefinidos ou versões anteriores. Isso pode envolver modos de benchmarking.
6. Relatórios: Notifica a equipa dos resultados da construção e dos testes, integrando-se frequentemente com ferramentas de comunicação como o Slack.

Ultralytics utiliza extensivamente a CI; podes saber mais sobre os nossos processos no Guia de CIUltralytics .

Aplicações reais de integração contínua em IA/ML

A integração contínua é utilizada em várias aplicações reais de IA/ML para aumentar a eficiência e a fiabilidade.

• Desenvolvimento de um sistema de deteção de objectos: Uma empresa que desenvolve um sistema de deteção de objectos, talvez utilizando Ultralytics YOLO11pode usar CI para testar automaticamente novas alterações de código. Cada commit pode acionar um pipeline que treina novamente ou valida o modelo em um subconjunto de dados (como COCO128), executa avaliações para verificar o mAP e a velocidade de inferência e garante que as alterações não afetem negativamente o desempenho antes da fusão. Isto ajuda a manter a qualidade do modelo para aplicações em IA ou segurança automóvel.
• Refinamento do modelo de processamento de linguagem natural (PNL): Uma equipa que trabalhe num modelo de análise de sentimentos utilizando técnicas de PNL pode implementar IC. Cada atualização de código (por exemplo, ajustar a extração de caraterísticas ou a arquitetura do modelo) desencadeia automaticamente testes. Estes testes podem executar o modelo atualizado num conjunto de dados de validação, comparando a sua precisão de classificação de sentimentos e a pontuação F1 com os resultados de base. Isto garante que a eficácia do modelo é continuamente monitorizada e melhorada.

Integração contínua vs. entrega/implantação contínua (CD)

Embora intimamente relacionada, a CI é diferente da Entrega Contínua e da Implantação Contínua (CD).

• Integração contínua (CI): Concentra-se na integração frequente de alterações de código e no teste automático das mesmas. O resultado é uma construção validada pronta para outras etapas.
• Entrega contínua (CD): Amplia a CI preparando automaticamente as alterações de código validadas para lançamento em um ambiente de preparação ou produção. Normalmente, a implantação na produção é acionada manualmente. Podes ler mais sobre as diferenças neste guia da Atlassian.
• Implantação contínua (CD): Vai um passo além, implantando automaticamente todas as alterações validadas diretamente na produção sem intervenção manual.

As práticas de CI e CD são componentes essenciais das Operações de Aprendizado de Máquina (MLOps), que visam simplificar todo o ciclo de vida do aprendizado de máquina, desde o desenvolvimento até a implantação e o monitoramento. Plataformas como o Ultralytics HUB podem ajudar a gerir partes deste ciclo de vida, incluindo a formação e a implementação de modelos.