MLOps Pipeline: Breast Cancer Classifier

Este projeto implementa um pipeline completo de Machine Learning (End-to-End) do dataset nativo Breast Cancer. O objetivo é demonstrar práticas modernas de MLOps, garantindo reprodutibilidade, versionamento de dados e orquestração automatizada.

---

Arquitetura do Pipeline

O pipeline é orquestrado pelo Apache Airflow e gerencia o ciclo de vida dos dados usando DVC.

Etapas do Pipeline:

1. Ingestion (dvc_load_data): Carregamento dos dados brutos versionados.
2. Preprocessing (dvc_preprocess_data): Limpeza e normalização de texto (NLP).
3. Feature Engineering (dvc_engineer_features): Transformação de dados (TF-IDF/Embeddings).
4. Training (dvc_train_model): Treinamento do modelo (Random Forest/XGBoost).
5. Evaluation (dvc_evaluate_model): Geração de métricas e validação.
6. Registry (register_artifacts): Log de modelos e métricas no MLflow.

---

Tecnologias Utilizadas

• Linguagem: Python 3.12
• Gerenciamento de Dependências: Poetry
• Versionamento de Dados: DVC (Data Version Control), DAGSHUB (repositório para versionamento dos dados)
• Orquestração: Apache Airflow (Standalone Mode)
• Rastreamento de Experimentos: MLflow (Integrado via DAG)
• Bibliotecas de ML: Scikit-learn, Pandas, Tensorflow, NumPY.

---

Como Rodar o Projeto

1. Pré-requisitos

Certifique-se de ter instalado:

• Git
• Python 3.12+
• Poetry (pip install poetry)

2. Instalação

Clone o repositório e instale as dependências:

git clone https://github.com/Code-AldreySandre/MLOPS_Project.git
cd MLOPS_Project

# Instala todas as libs do pyproject.toml
poetry install

3. Configuração do Airflow (Standalone)

Este projeto utiliza uma estrutura customizada onde o Airflow reside dentro da pasta raiz.

# 1. Defina a variável de ambiente (Crucial!)
export AIRFLOW_HOME=$(pwd)/airflow_home

# 2. Inicialize o Airflow no modo Standalone (DB + Scheduler + Webserver)
poetry run airflow standalone

-obs: Ao rodar pela primeira vez, o terminal exibirá a senha do usuário admin. Essa senha também fica salva em airflow_home/standalone_admin_password.txt.

4. Acessando a Interface

• Abra o navegador em: http://localhost:8080

• Faça login com admin e a senha gerada.

• Busque pela DAG: ml_pipeline_project.

• Ative o toggle (Unpause) e clique em ▶️ Trigger DAG.

---

Estrutura do Projeto

MLOPS_Project/
├── airflow_home/       # Configurações e Logs do Airflow (Local)
├── dags/               # Definição dos Pipelines (DAGs)
│   └── ml_pipeline_dag.py
├── data/               # Dados versionados pelo DVC (ignorados no git)
├── src/                # Código fonte do projeto
│   ├── DataLoading/    # Módulo de carregamento de dados
│   ├── DataPreprocessing/ # Módulo de pré-processamento
│   ├── FeatureEnginnering/ # Módulo de engenharia de features
│   ├── ModelTraining/  # Módulo de treinamento
│   ├── ModelEvaluation/ # Módulo de avaliação
│   └── register_artifacts.py # Script de registro no MLflow
├── app/                # Aplicação Flask para Model-as-a-Service
├── dvc.yaml            # Definição dos estágios do DVC
├── dvc.lock            # Hash exato dos dados e modelos (Reprodutibilidade)
├── pyproject.toml      # Dependências do Poetry
└── README.md           # Este arquivo

---

Documentação Técnica

1. Arquitetura da Rede Neural (Modelo de Classificação)

O projeto utiliza uma Rede Neural Densa (DNN) implementada com TensorFlow/Keras para a classificação binária (Benigno/Maligno) do dataset Breast Cancer. A arquitetura é definida de forma modular e parametrizada via params.yaml.

Camada	Tipo	Neurônios	Função de Ativação	Parâmetro (params.yaml)
Entrada	Densa	Variável (30)	ReLU	-
Oculta 1	Densa	64	ReLU	hidden_layer_1_neurons
Dropout 1	Dropout	-	-	dropout_rate (0.3)
Oculta 2	Densa	32	ReLU	hidden_layer_2_neurons
Dropout 2	Dropout	-	-	dropout_rate (0.3)
Saída	Densa	2	Softmax	-

O modelo é compilado com o otimizador Adam e a função de perda categorical_crossentropy.

2. Padrões de Projeto de MLOps

O projeto aplica padrões essenciais para garantir a robustez e a governança do modelo:

Padrão de Projeto	Implementação no Projeto
Modularidade	Separação do código em módulos lógicos (src/).
Injeção de Dependência (Configuração)	Uso do params.yaml para gerenciar hiperparâmetros.
Model Registry Pattern	Uso do MLflow Registry para versionar e promover modelos entre estágios.
Pipeline Orchestration	Uso do Apache Airflow para automatizar o fluxo de trabalho.

3. Diagramas Arquiteturais

Os diagramas de arquitetura e fluxo de trabalho estão disponíveis na pasta imgs/:

• Diagrama de Implantação: Ilustra a arquitetura de alto nível (Cliente, Servidor, Infraestrutura MLOps).

• Diagrama de Atividade (Pipeline MLOps): Representa o fluxo de trabalho automatizado (Ingestion -> Training -> Registry).

• Diagrama de Classe (Aplicação de Serviço): Detalha a estrutura da aplicação Flask e do serviço de modelo.

• Diagrama de Sequência (Fluxo de Predição): Descreve o fluxo de dados durante a inferência do modelo.

4. Dicionário de Dados (Dataset Breast Cancer)

O projeto utiliza o dataset Breast Cancer Wisconsin (Diagnostic) [1], que contém 30 atributos de características nucleares.

Coluna	Tipo	Descrição
Target	Categórica (0, 1)	Rótulo de classificação: 0 (Maligno) ou 1 (Benigno).
mean radius	Numérica	Média das distâncias do centro aos pontos do perímetro.
mean texture	Numérica	Desvio padrão dos valores de escala de cinza.
mean perimeter	Numérica	Média do perímetro do núcleo.
mean area	Numérica	Média da área do núcleo.
mean smoothness	Numérica	Média da variação local nos comprimentos dos raios.
mean compactness	Numérica	Média de $\frac{Perímetro^2}{Área} - 1.0$.
mean concavity	Numérica	Média da gravidade das porções côncavas do contorno.
mean concave points	Numérica	Média do número de porções côncavas do contorno.
mean symmetry	Numérica	Média da simetria do núcleo.
mean fractal dimension	Numérica	Média da aproximação da "complexidade" do contorno.
...	...	...
worst radius	Numérica	"Pior" ou maior valor para o raio.

5. Métricas de Avaliação

As métricas são calculadas no conjunto de teste e logadas no MLflow e DVC.

Métrica	Descrição
Acurácia (Accuracy)	Proporção de previsões corretas (geral).
F1-Score Ponderado	Média harmônica ponderada da precisão e recall.
Precisão Ponderada	Proporção de identificações positivas corretas, ponderada pelo suporte.
Recall Ponderado	Proporção de positivos reais que foram corretamente identificados, ponderada pelo suporte.
Matriz de Confusão	Tabela que descreve o desempenho do modelo.

---

Segurança e Boas Práticas

• Credenciais: Senhas e chaves de API não são versionadas (via .gitignore).

• Dados: Apenas os arquivos .dvc sobem para o GitHub; os dados reais ficam no armazenamento remoto (S3/DagsHub).

---

Referências

[1] Breast Cancer Wisconsin (Diagnostic) Dataset. Scikit-learn. Disponível em: https://scikit-learn.org/stable/modules/generated/sklearn.datasets.load_breast_cancer.html