Наразі машинне навчання є одним з основних інструментів для розв’язання складних завдань у різних сферах діяльності. Популярність машинного навчання спричинена такими факторами, як доступ до великих наборів даних, невисока
ціна обчислювальних ресурсів,наявні сервіси на основі хмарних технологій, швидкий прогрес у сферах штучного інтелекту. Для розроблення, тестування та підтримання інфраструктури системи з даними застосовуються, зокрема, концепції машинного навчання та процесів (Machine Learning and Operation, MLOps) із набором технік для імплементації та автоматичної неперервної інтеграції. Концепцію MLOps розглянуто як інструменти Kubeflow-cloud native — системи з відкритим кодом, що працює на платформі Kubernetes. Досліджено можливості використання підходу MLOps для поліпшення процесів розроблення інформаційних систем машинного навчання. Спроєктовано розподілену інформаційну систему на основі мобільних агентів, якими виступають безпілотні літальні апарати (БпЛА), та коротко описано їх потенційнупрактичну реалізацію за умов реального часу. Продемонстровано, що написання коду моделі — це не тільки невелика частина серед задач машинного навчання, що впливає на потребу в автоматизації, це наявність повноцінного конвеєра неперервної інтеграції т&а доставляння застосунку до кінцевого користувача. Проведені дослідження показали, що Kubeflow становить набір різноманітних компонентів із відкритих джерел, що мають високий рівень інтеграції між собою через платформу Kubernetes. Це дає їм змогу бут&и запущеними на різноманітних пристроях, зокрема на таких мобільних агентах, як БпЛА. Запропоновано та обґрунтовано використання Мesh-мереж для підвищення функціональної стійкості розподіленої інформаційної системи мобільних агентів. Було спроєктован&о архітектуру концепції системи на базі дистрибутива Kubernetes k3s, що дає можливість працювати в парадигмі крайових (Еdge) обчислень.
