2026-05-05T12:00:18Zhttps://uvadoc.uva.es/oai/requestoai:uvadoc.uva.es:10324/573502022-11-22T20:02:11Zcom_10324_38col_10324_787
Metodologías de control de calidad y pruebas para soluciones tecnológicas basadas en AI/ML y Big Data
Díaz Gil, Francisco
Vivaracho Pascual, Carlos Enrique
Yebes Torres, José Javier
Universidad de Valladolid. Escuela de Ingeniería Informática de Valladolid
Los procesos de pruebas y control de calidad son parte principal
de cualquier proyecto de desarrollo de software. En general, se trata
de asegurar el éxito del producto final mediante un ciclo que incluya
diseño, implementación, prueba y despliegue/integración, en ese orden.
Los ingenieros de control de calidad trabajan durante todo el ciclo de
vida del desarrollo de software utilizando metodologías ágiles y probando
todo el progreso en incrementos pequeños e iterativos.
Las soluciones tecnológicas basadas en Inteligencia Artificial y Aprendizaje
Automático soportan de forma natural los procesos iterativos de
aprendizaje continuo. Requieren asegurar la calidad del dato de entrada,
evaluar la salida esperada de los modelos entrenados usando unas métricas
definidas y explorar las configuraciones paramétricas de dichos modelos.
En muchas ocasiones, la solución final requiere combinar distintos modelos,
algoritmos, heurísticas y etapas de pre-/post-procesado que elevan
la complejidad de los procesos de pruebas y el control de calidad. Estos
procesos deben ser incorporados no solo en la etapa previa a la puesta en
producción sino también como parte del mantenimiento continuo cada
vez que se producen cambios en alguna parte del sistema.
El presente Trabajo Final de Máster aborda la revisión de los procesos
y herramientas de Aseguramiento de la Calidad típicos del desarrollo
software y su posible aplicación al área de Aprendizaje Automático.
También se realiza un análisis de las nuevas metodologías Data Centric y
MLOps para el control de calidad de soluciones tecnológicas complejas
basadas en Inteligencia Artificial. Por último, se plantea la aplicación de
dichas estrategias y conceptos de Aseguramiento de la Calidad a un caso
de uso práctico en el área del procesamiento automático de documentos.
Testing and quality control processes are a main part of any software
development project. In general, it is about ensuring the success of the
final product through a cycle that includes design, implementation, testing,
and deployment/integration, in that order. QA engineers work throughout
the software development lifecycle using agile methodologies and testing
all progress in small, iterative increments.
Technological solutions based on Artificial Intelligence and Machine
Learning naturally support iterative continuous learning processes. They
require ensuring the quality of the input data, evaluating the expected
output of the trained models using defined metrics, and exploring the
parametric configurations of those models. On many occasions, the final
solution requires combining different models, algorithms, heuristics and
pre-/post-processing stages that increase the complexity of the testing
and quality control processes. These processes must be incorporated not
only in the stage prior to putting into production but also as part of
ongoing maintenance whenever changes occur in any part of the system.
This Master’s Final Project addresses the review of the processes
and tools of Quality Assurance typical of software development and its
possible application to the area of Machine Learning. An analysis of the
new Data Centric and MLOps methodologies for the quality control of
complex technological solutions based on Artificial Intelligence is also
carried out. Finally, the application of these strategies and concepts
of Quality Assurance to a practical use case in the area of automatic
document processing is proposed.
2022-11-22T16:47:20Z
2022-11-22T16:47:20Z
2022
info:eu-repo/semantics/masterThesis
https://uvadoc.uva.es/handle/10324/57350
spa
info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional