Diseño e implementación de una interfaz gráfica para la herramienta Laredo

Abstract

Laredo es una herramienta surgida en el seno del grupo de investigación ISTR concebida para facilitar a usuarios no expertos, la construcción y despliegue de workflows escalables y distribuidos, dirigidos inicialmente a problemas de mantenimiento predictivo en el entorno industrial. Para ello, integra diversas herramientas: MlFlow, que se utiliza para el almacenamiento, registro y control de versiones de los modelos; Apache Spark o Flink para procesar los flujos de datos; Kubernetes y Docker para el desplegar y ejecutar los modelos predictivos de forma distribuida; y paquetes Python que realizan las distintas tareas para el preprocesado de los datos, la configuración de modelos y su entrenamiento. El objetivo de este proyecto es diseñar e implementar una interfaz gráfica que facilite a los usuarios a buscar, seleccionar y desplegar los modelos predictivos alojados en MlFlow como un servicio de predicción en la nube; y, haciendo uso de opciones más avanzadas, generar sus propios modelos. Esta aplicación web hace uso de tecnologías específicas para su funcionamiento. En el front-end, se emplea React, una biblioteca de JavaScript que facilita la creación de interfaces de usuario interactivas y reactivas en aplicaciones web. También, se cuenta con TailwindCSS, un framework de diseño CSS que permite crear interfaces de usuario de manera rápida y eficiente mediante la aplicación de clases predefinidas. En el back-end, se ha optado por Flask, un framework de Python reconocido por su rapidez y simplicidad en el desarrollo de aplicaciones web, ofreciendo herramientas para la construcción de servicios web y APIs.

Laredo is a tool emerged in the ISTR research group designed to facilitate non-expert users, in the contruction and deployment of scalable and distributed workflows, initially targeting predictive maintenance issues in industrial environments. To achieve this, it integrates different tools: MLflow, used for storing, versioning, and managing models; Apache Spark o Flink for processing dataflows; Kubernetes and Docker for deploying and executing predictive models in a distributed fashion; and Python packages that handle different tasks such as data preprocessing, model configuration, and training. The objective of this project is to design and implement a graphical interface that simplifies users’ ability to search, select, and deploy predictive models hosted in MLflow as a cloud-based prediction service. Furthermore, it enables users to generate their own models using advanced options. This web application uses specific technologies for its functionality. On the frontend, React is employed, a JavaScript library that facilitates the creation of interactive and responsive user interfaces in web applications. Additionally, TailwindCSS, a CSS framework, speeds up the creation of user interfaces by applying pre-defined classes. On the back-end, Flask has been selected, a Python framework known for its speed and simplicity in developing web applications, providing tools for constructing web services and APIs.