This paper proposes an implementation process for data science projects that incorporates best practices from Agile and DevOps methodologies. Specifically, it focuses on the planning in a hypothesis-driven environment, the development process adjusted to the unique specifications of machine learning projects, the deployment process that conside variations in hardware requirements, and the process of conducting experiments in a production environment. Proposed implementation was contrasted with best practices appearing in the literature. Its scope covers all stages of development, addressing common anti-patterns and providing practical realization of MLOps principles.
W niniejszej pracy zaproponowano proces wdrażania projektów data science, obejmujący najlepsze praktyki metodologii Agile oraz DevOps. W szczególności skupiono się na planowaniu w środowisku opartym na hipotezach, procesie implementacji dostosowanym do unikalnej specyfiki projektów z komponentem uczenia maszynowego, procesie wdrażania uwzględniającym różnorodne wymagania sprzętowe oraz procesie przeprowadzania eksperymentów w środowisku produkcyjnym. Proponowana implementacja została zestawiona z najlepszymi praktykami pojawiającymi się w literaturze. Jej zakres obejmuje wszystkie etapy rozwoju projektu, adresując typowe anty-wzorce i zapewniając praktyczną realizację zasad MLOps.
