Conclusão

De maneira geral, este livro trouxe uma visão geral sobre o uso de Docker no processo de DevOps em projetos de Machine Learning e a importância da tecnologia de contêineres para esse ambiente de desenvolvimento que utiliza-se de Integração e Entrega Contínuas.

Buscou-se dar uma visão geral de diferentes conceitos e capacitar os estudantes no entendimento dessas tecnologias com exemplos práticos e didáticos.

Foram também abordadas ferramentas específicas para a operacionalização de Machine Learning, como a definição e gerenciamento de pipelines e também as tarefas referentes à hospedagem e gestão de modelos, sempre visando a alta disponibilidade.

Os exemplos utilizados podem não ser o melhor de todos mas permitiram ilustrar diferentes formas de se compor uma aplicação de Machine Learning, e também o uso de um servidor de monitoramento para alertar sobre possíveis problemas na infraestrutura tanto do ambiente de produção quanto de desenvolvimento.

Ainda há muito o que se estudar mas esperamos que esse material simples sirva de ponta pé inicial para instigá-los a lerem mais sobre o assunto, afinal a grande maioria das empresas de desenvolvimento de software atualmente demandam por profissionais com conhecimento mínimo de DevOps e conceitos relacionados. É igualmente esperado que cientistas de dados tenham um conhecimento adequado sobre como os modelos entram em produção, assim conhecer essas ferramentas torna-se cada vez mais essencial.

Esperamos ter ajudado um pouco nessa direção.

Como continuidade desse projeto, num futuro próximo, outros exemplos, principalmente considerando plaraformas DevOps disponíveis na nuvem devem ser incorporadas para capacitá-los ainda mais em tecnologias de ponta empregadas em ambientes reais de desenvolvimento de software.

Até lá.