How to assess the MLOps maturity level of a company. Design of a maturity model and analysis of the benefits

The objective of this thesis is to define what business benefits are generated by the adoption of MLOps and to create a maturity model that allows companies to assess their level of implementation of MLOps processes. Recent years have seen a growing investment trend in Machine Learning due to increased awareness and knowledge of the topic. However, many companies face barriers to adoption. MLOps was created to mitigate the factors that hinder the adoption of Machine Learning and facilitate the deployment of Machine Learning models, combining DevOps, Machine Learning, and Data engineering best practices. An in-depth literature study revealed a high degree of fragmented analysis of the benefits generated by MLOps, as most sources focus on the technical aspect. Against this background, the thesis work aims to define which stages of the value chain of a Machine Learning project would benefit most from MLOps, what impact the benefits have on the different AI application classes, and consequently, which AI classes would benefit most from MLOps. Subsequently, a new MLOps maturity model specific to these classes is proposed to enable companies to assess the as-is state of their processes.

L’obiettivo di questa tesi è definire quali siano i benefici per il business generati dall’adozione di MLOps e creare un modello di maturità che permetta alle aziende di valutare il proprio livello di implementazione dei processi MLOps. Negli ultimi anni si è assistito a un trend crescente di investimenti in Machine Learning dovuto a una maggiore consapevolezza e conoscenza dell’argomento. Tuttavia, molte aziende incontrano ostacoli nell’adozione. MLOps nasce con l’intento di mitigare i fattori che ostacolano l'adozione del Machine Learning e facilitare la messa in produzione di modelli di Machine Learning, combinando le best practice di DevOps, Machine Learning e Data engineering. Un approfondito studio della letteratura ha evidenziato un’elevata frammentarietà dell’analisi dei benefici generati da MLOps, poiché la maggior parte delle fonti si concentra sull’aspetto tecnico. In questo contesto, il lavoro di tesi si pone l’obiettivo di definire quali siano le fasi della catena del valore di un progetto di Machine Learning che maggiormente beneficiano di MLOps, quale sia l’impatto dei benefici sulle diverse classi applicative AI, e conseguentemente quale siano le classi AI che trarrebbero più vantaggi da MLOps. Successivamente un nuovo modello di maturità MLOps, specifico per queste classi, viene proposto per permettere alle aziende di valutare lo stato as-is dei loro processi MLOps.