Please use this identifier to cite or link to this item:
https://hdl.handle.net/10216/176091| Author(s): | Nuno Oliveira Fernandes |
| Title: | Operationalizing AI at Scale: A Cloud-Agnostic Framework for Infrastructure, Deployment, and MLOps in Enterprise AI Solutions |
| Issue Date: | 2026-07-20 |
| Abstract: | Organizations can now develop artificial intelligence prototypes quickly. The harder task begins when those prototypes have to run in production: integrating them with existing systems, keeping costs and risks under control, and managing change over time. This transition from an initial experiment to an operational service still often depends on manual configuration, provider-specific cloud services, and uneven processes for deployment, monitoring, and model management. This dissertation treats that transition as a software engineering problem and proposes a cloud-agnostic framework for operationalizing AI in enterprise environments. Its purpose is not to replace existing MLOps platforms, but to organize engineering decisions that recur across projects: infrastructure preparation, artifact promotion between environments, service and model observation, and traceability across the solution lifecycle. The framework separates operational principles from provider-specific implementation choices, seeking to reduce cloud lock-in without giving up the automation offered by modern infrastructure. The work combines a systematic literature review, requirements specification, architectural decisions, and a reference implementation based on Kubernetes, GitOps, Kubeflow, MLflow, Argo Workflows, Argo Events, Crossplane, Vault, and External Secrets. Validation links use cases, requirements, architecture phases, and repository artifacts, and includes the reference ml-fraud-detection project. The evaluation considers portability, reproducibility, operational reliability, observability, and alignment with enterprise requirements. Long-running production validation and complete provider parity fall outside the scope of this work. The result is a framework, supported by a reference implementation, that helps teams move AI solutions into production while preserving room to adapt tools and services to their technical context. |
| Description: | As organizações conseguem hoje desenvolver protótipos de inteligência artificial com rapidez. A dificuldade surge quando esses protótipos têm de operar em produção: integrar-se com sistemas existentes, manter custos e riscos sob controlo e acomodar alterações ao longo do tempo. Esta passagem da experiência inicial para um serviço operacional continua, em muitos casos, dependente de configurações manuais, serviços cloud específicos e processos pouco uniformes de implantação, monitorização e gestão de modelos. Esta dissertação trata essa passagem como um problema de engenharia de software e propõe um enquadramento cloud-agnóstico para operacionalizar soluções de IA em contexto empresarial. O objetivo não é substituir plataformas de MLOps existentes, mas organizar decisões de engenharia que se repetem em diferentes projetos: preparação da infraestrutura, promoção de artefactos entre ambientes, observação de serviços e modelos e rastreabilidade ao longo do ciclo de vida da solução. O enquadramento separa princípios operacionais das escolhas próprias de cada fornecedor de cloud, procurando reduzir a dependência tecnológica sem abdicar da automação oferecida por infraestruturas modernas. O trabalho combina uma revisão sistemática da literatura, especificação de requisitos, decisões arquiteturais e uma implementação de referência baseada em Kubernetes, GitOps, Kubeflow, MLflow, Argo Workflows, Argo Events, Crossplane, Vault e External Secrets. A validação relaciona casos de uso, requisitos, fases arquiteturais e artefactos do repositório e inclui o projeto de referência ml-fraud-detection. A avaliação incide sobre portabilidade, reprodutibilidade, fiabilidade operacional, observabilidade e adequação aos requisitos empresariais. A validação longitudinal em produção e a paridade completa entre fornecedores de cloud ficam fora do âmbito deste trabalho. O resultado é um enquadramento acompanhado por uma implementação de referência que apoia equipas na passagem de soluções de IA para produção, mantendo espaço para adaptar ferramentas e serviços ao seu contexto técnico. |
| Subject: | Ciências da computação e da informação Computer and information sciences |
| Scientific areas: | Ciências exactas e naturais::Ciências da computação e da informação Natural sciences::Computer and information sciences |
| URI: | https://hdl.handle.net/10216/176091 |
| Document Type: | Dissertação |
| Rights: | embargoedAccess |
| License: | https://creativecommons.org/licenses/by/4.0/ |
| Embargo End Date: | 2029-07-19 |
| Appears in Collections: | FEUP - Dissertação |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 787316.pdf Restricted Access | Operationalizing AI at Scale: A Cloud-Agnostic Framework for Infrastructure, Deployment, and MLOps in Enterprise AI Solutions | 4.7 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
