Empirische Analyse zur Entwicklung von CI/CD-Pipelines in Machine Learning-Projekten

Die wachsende Popularität von Maschinellem Lernen (ML) und die Integration von ML-Komponenten mit anderen Softwareartefakten haben zur Verwendung von Continuous Integration und Delivery (CI/CD)-Tools wie Travis CI und GitHub Actions geführt, die eine schnellere Integration und Testung für ML-Projekte ermöglichen. Diese CI/CD-Konfigurationen und -Dienste erfordern während des Lebenszyklus der Projekte eine Synchronisation. Diese Studie präsentiert die erste empirische Analyse, wie sich CI/CD-Konfigurationen in ML-Softwaresystemen entwickeln.