Cidra-ML: uma aplicação web baseada em AutoML para facilitar o acesso a modelos preditivos de machine learning

Abstract

O Aprendizado de Máquina (AM) apresenta vasto potencial para a engenharia, contudo, sua adoção por especialistas de domínio frequentemente se limitada pela necessidade de conhecimento aprofundado em programação e ciência de dados. O processo tradicional de desenvolvimento de modelos preditivos é complexo, exigindo seleção de algoritmos e otimização de hiper parâmetros. Visando reduzir essa barreira técnica, este trabalho propõe o desenvolvimento do Cidra-ML, uma aplicação web que facilita o acesso a modelos preditivos de AM por meio de Automated Machine Learning. O objetivo geral é fornecer uma plataforma intuitiva onde usuários, sem experiência prévia em programação, possam gerenciar conjuntos de dados, treinar, avaliar e utilizar modelos de regressão. A aplicação foi desenvolvida em Python, utilizando o framework Django e a biblioteca AutoGluon-Tabular para a automação do pipeline de AM. A arquitetura do sistema segue o padrão Model-View-Template e utiliza Celery para o processamento assíncrono das tarefas de treinamento, avaliação e aplicação. Para validar a ferramenta, foi realizado um estudo de caso na engenharia geotécnica, focado na estimativa do peso específico do solo. Os resultados demonstraram que o modelo gerado pelo Cidra-ML obteve um Coeficiente de Determinação (R^2) de 0,92, superando o desempenho de abordagens manuais (Sweet, R^2=0,82). Conclui-se que o Cidra-ML abstrai com sucesso a complexidade do desenvolvimento de modelos, permitindo que especialistas de domínio criem e utilizem modelos de AM de alta performance de forma independente.

Machine Learning (ML) presents vast potential for engineering, however, its adoption by domain experts is often limited by the need for in-depth knowledge in programming and data science. The traditional process of developing predictive models is complex, requiring algorithm selection and hyperparameter optimization. Aiming to reduce this technical barrier, this work proposes the development of Cidra-ML, a web application that facilitates access to predictive ML models through Automated Machine Learning. The primary objective is to provide an intuitive platform where users, without prior programming experience, can manage datasets, train, evaluate, and utilize regression models. The application was developed in Python, using the Django framework and the AutoGluon-Tabular library for the automation of the ML pipeline. The system architecture follows the Model-View-Template pattern and utilizes Celery for the asynchronous processing of the training, evaluation and predicting tasks. To validate the tool, a case study was conducted in geotechnical engineering, focused on estimating soil unit weight. The results demonstrated that the model generated by Cidra-ML achieved a Coefficient of Determination (R^2) of 0.92, surpassing the performance of manual approaches (Sweet, R^2=0.82). It is concluded that Cidra-ML successfully abstracts the complexity of model development, allowing domain experts to independently create and utilize high-performance ML models.