Aplicación de MLOps en la detección de irregularidades en redes eléctricas

Abstract

La Industria 4.0, caracterizada por su evolución basada en la fabricación de tecnologías digitales, integra el Aprendizaje Automático (AA) o Machine Learning (ML) como un pilar central para procesos industriales más inteligentes. En este contexto, Machine Learning Operations (MLOps) surge como un conjunto de prácticas, técnicas y herramientas para la implementación efectiva en ML. Este proyecto aborda la aplicación de técnicas de MLOps al software Detector Automático de Irregularidades en Consumos Eléctricos (DAICE) y Detector Automático de Irregularidades en Consumos Eléctricos con técnicas de aprendizaje profundo (DeepDAICE). Estos sistemas fueron desarrollados en colaboración entre la Facultad de ingeniería de la Universidad de la República (UdelaR) y la Subgerencia de Recuperación de Energía de UTE. Ambos se enfocan en la detección de irregularidades en las redes eléctricas, adquiriendo importancia a medida que los datos se vuelven cada vez más masivos, utilizando técnicas de ML para clasificar patrones de consumo e información de clientes. El software utilizado actualmente está fuertemente basado en entornos iterativos de ejecución, como por ejemplo, Jupyter Notebooks en Python. En esta tesis se propone llevar estos procesos a entornos de producción modularizados y automatizados. De esta manera, se busca registrar los diferentes modelos y artefactos generados, así como los resultados que se desprenden del proceso, y operacionalizar la tarea de detección de estas irregularidades.

Un desafío clave para esta tesis fue el estudio y utilización de un conjunto de herramientas de código abierto que permitan tener una solución de extremo a extremo. Se puso especial énfasis en el uso de herramientas como Airflow, MLflow y TFX. Airflow permitió la creación del flujo de datos a partir de la definición de Grafos Acíclicos Dirigidos (DAG - Directed Acyclic Graph), el paso de parámetros y ejecución programada; MLflow se utilizó para el registro de experimentos, modelos, métricas y artefactos; y se experimentó con TFX, una solución integral que además incluye ejemplos de su uso detallados en la documentación, para el tratamiento de los datos. A través de ejemplos prácticos y casos de estudio, en este trabajo se muestran las soluciones propuestas para abordar los desafíos en la detección de irregularidades en las redes eléctricas. Se subraya la importancia de la calidad de los datos, el versionado de modelos, la evaluación del rendimiento y el despliegue. La tesis concluye destacando la relevancia de esta primera experiencia como un paso en dirección a alcanzar mayores niveles en la madurez en la aplicación de MLOps, alineándose con las tendencias de la Industria y abriendo camino para futuros trabajos de aplicación de este tipo de técnicas en mayor profundidad y de forma generalizada en la empresa.