Cloud Computing para deploy de modelos de Deep Learning para a detecção de Retinopatia Diabética

• Autor(a) principal: Camargo, Matheus Woeffel
• Data de Publicação: 2023
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: eng
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/262000
• topic: Computação em nuvem; Aprendizado de máquina; Aprendizado profundo; Cloud computing; Infrastructure as Code; Diabetic Retinopathy; Deploy

A incidência de diabetes está aumentando a um ritmo alarmante em todo o mundo. Por consequência, crescem os casos de retinopatia diabética (RD), uma complicação da di abetes que em sua forma mais grave pode levar à cegueira. A falta de mão de obra es pecializada para diagnóstico, essencial para o tratamento bem-sucedido da doença, traz a necessidade de estudo de alternativas para o diagnóstico via meios computacionais. Pes quisas recentes sobre o uso de Deep Learning para a detecção de RD se mostram como uma importante alternativa para melhorar a utilização da mão de obra especializada a par tir da priorização de casos mais graves. Partindo deste contexto, o objetivo do presente trabalho é avaliar o desempenho e custo financeiro de alternativas baseadas em compu tação em nuvem para o deploy de modelos de Deep Learning para classificação de RD. Utilizando como base os serviços real-time inference e serverless inference, ambos da plataforma Amazon Sagemaker, foram consideradas otimizações e diferentes alternati vas de configuração, obtendo até 24, 34% de redução de custo financeiro e até 2, 16× de aumento de desempenho. Por fim, foram utilizados conceitos como conteinerização e in fraestrutura como código durante a implementação da solução, para permitir a reprodução das alternativas de deploy e dos experimentos realizados de maneira facilitada.