El reto: Ante las nuevas políticas de emisiones para el comercio marítimo, era crucial para una reconocida compañía naviera alemana adaptarse y optimizar su gestión de emisiones.
La necesidad era clara: proporcionar análisis y predicciones detalladas sobre las emisiones de sus barcos contenedores para asesorar adecuadamente a propietarios, fletadores y operadores sobre las regulaciones de emisiones vigentes.
Enfoque: La empresa abordó este reto mediante la creación de una plataforma MLOps (Machine Learning Operations) en Google Cloud, diseñada específicamente para analizar y predecir las emisiones de los buques.
Machine Learning Operations, es una extensión de la metodología DevOps que busca incluir los procesos de aprendizaje automático y ciencia de datos en la cadena de desarrollo y operaciones para hacer que el desarrollo del ML sea más confiable y productivo.
Se estableció una infraestructura de nube utilizando scripts de Terraform, configurando un entorno robusto y automatizado con un pipeline de CI/CD (serie de pasos que se llevan a cabo para obtener un nuevo producto de software desde su fase de desarrollo hasta su despliegue) y contenedorización del código de preprocesamiento. Se implementaron pipelines de predicción por lotes y de reentrenamiento con Vertex AI, culminando con la creación de una infraestructura de predicción en línea, asegurada con autenticación y potenciada por TabP y dentro de Google App Engine.
Resultados: Gracias a la eficacia de los scripts de Terraform, Eraneos simplificó significativamente la configuración y mantenimiento de la infraestructura en la nube.
La automatización del pipeline de CI/CD permitió actualizaciones ágiles de los artefactos de software ante cualquier cambio de código. Además, se establecieron sistemas de predicción automáticos, tanto por lotes según un calendario definido por el cliente, como en línea basados en entradas de usuario, mejorando considerablemente la eficiencia y exactitud en la gestión y análisis de emisiones.