{"id":27785997,"url":"https://github.com/diegoribeiro2/projeto_mlops_completo","last_synced_at":"2026-04-13T19:31:23.820Z","repository":{"id":290496811,"uuid":"963356131","full_name":"diegoribeiro2/Projeto_MLOps_Completo","owner":"diegoribeiro2","description":"Projeto completo de MLOps (ponta a ponta) na cloud da AWS usando Terraform (infraestrutura como código) e deploy automático via CI/CD com GitHub Actions.","archived":false,"fork":false,"pushed_at":"2025-04-29T20:03:04.000Z","size":5223,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2025-04-30T15:37:17.694Z","etag":null,"topics":["airflow","aws","ci-cd","docker","ec2-instance","fastapi","github","github-actions","iam","iam-role","mlflow","python","rds-postgres","s3-bucket","streamlit","terraform"],"latest_commit_sha":null,"homepage":"","language":"HCL","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/diegoribeiro2.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null}},"created_at":"2025-04-09T14:54:46.000Z","updated_at":"2025-04-29T20:03:07.000Z","dependencies_parsed_at":"2025-04-29T06:33:23.616Z","dependency_job_id":null,"html_url":"https://github.com/diegoribeiro2/Projeto_MLOps_Completo","commit_stats":null,"previous_names":["diegoribeiro2/projeto_mlops_completo"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/diegoribeiro2%2FProjeto_MLOps_Completo","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/diegoribeiro2%2FProjeto_MLOps_Completo/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/diegoribeiro2%2FProjeto_MLOps_Completo/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/diegoribeiro2%2FProjeto_MLOps_Completo/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/diegoribeiro2","download_url":"https://codeload.github.com/diegoribeiro2/Projeto_MLOps_Completo/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":251733104,"owners_count":21634900,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["airflow","aws","ci-cd","docker","ec2-instance","fastapi","github","github-actions","iam","iam-role","mlflow","python","rds-postgres","s3-bucket","streamlit","terraform"],"created_at":"2025-04-30T15:37:30.323Z","updated_at":"2026-04-13T19:31:23.767Z","avatar_url":"https://github.com/diegoribeiro2.png","language":"HCL","funding_links":[],"categories":[],"sub_categories":[],"readme":"# 🛠️ Arquitetura Completa de MLOps na AWS com Terraform e GitHub Actions\n\nEste projeto implementa uma arquitetura completa de **MLOps na AWS**, integrando as principais ferramentas do ecossistema de Machine Learning com automação de infraestrutura e deploy.\n\n---\n\n## 📌 Tecnologias Utilizadas\n\n- **Terraform** – Provisionamento da infraestrutura como código (IaC)\n- **GitHub Actions** – Pipeline de CI/CD para deploy automatizado\n- **MLflow** – Rastreamento de experimentos e modelos\n- **Airflow** – Orquestração de pipelines de machine learning\n- **FastAPI** – Servidor REST para servir modelos\n- **Streamlit** – Interface interativa para visualização de resultados.\n- **RDS (PostgreSQL)** – Armazenamento de metadados\n- **S3** – Repositório de modelos e DAGs\n\n---\n\n## ⚙️ Visão Geral da Arquitetura\n\n![Descrição da imagem](arquitetura_projeto.png)  \n\n| Componente         | Tecnologia              | Função Principal                                     |\n|--------------------|--------------------------|------------------------------------------------------|\n| Servidor de Tracking | MLflow (EC2)           | Registro e versionamento de experimentos e modelos  |\n| Orquestrador        | Airflow (EC2)           | Agendamento e execução das DAGs de ML               |\n| API/Interface       | FastAPI + Streamlit (EC2)| Disponibilização dos modelos e visualização        |\n| Banco de Dados      | RDS (PostgreSQL)        | Armazenamento de metadados (MLflow e Airflow)       |\n| Armazenamento       | S3                      | Buckets para artefatos do MLflow e DAGs do Airflow  |\n| CI/CD               | GitHub Actions          | Automatização do deploy via Terraform               |\n\n---\n\n## 🧩 Etapas da Implementação\n\n### 1. Provisionamento com Terraform\nAntes de criar os recursos, definimos o provedor AWS no arquivo main.tf, especificando a região onde os serviços serão implantados.\n\nPor que isso é importante?\n\nO Terraform precisa saber em qual região da AWS os recursos serão provisionados.\nGarante que toda a infraestrutura seja criada de forma consistente:\n\n- Configuração do provedor AWS\n- Criação das instâncias EC2, RDS e buckets S3\n- Scripts de inicialização automatizados com injeção de variáveis\n\n### 2. Configuração do MLflow\nO MLflow é responsável por rastrear experimentos e modelos. Para isso:\n\nUsamos uma instância EC2 para facilitar o deploy.\nO MLflow é configurado para se conectar a um banco de dados RDS (PostgreSQL), onde armazena metadados.\n\nComo a conexão MLflow → RDS funciona?\nO Terraform automaticamente injeta o endpoint do RDS no script de inicialização da EC2.\nO MLflow usa essa conexão para persistir experimentos, parâmetros e métricas.\n\nOs modelos são armazenadas em um bucket S3\n\n### 3. Setup do Airflow\nO Airflow gerencia pipelines de dados (DAGs). Para sua configuração:\n\nUtilizamos uma instância EC2 um pouco mais robusta (t3.small) devido ao maior consumo de memória.\nAssim como o MLflow, o Airflow se conecta ao mesmo RDS, mas em um schema diferente (airflow).\n\nQual a vantagem de usar RDS compartilhado?\nReduz custos, pois um único banco de dados serve a dois sistemas.\nFacilita o gerenciamento de backups e monitoramento.\n\nAs DAGs são armazenadas em um bucket S3\n\n### 4. Deploy da API (FastAPI + Streamlit)\nEsta instância hospeda:\n\n- FastAPI: API REST para servir modelos treinados.\n- Streamlit: Interface interativa para visualização de resultados.\n\nComo a API se comunica com o MLflow?\nO código da FastAPI configura o MLFLOW_TRACKING_URI para apontar para a EC2 do MLflow.\nIsso permite registrar e recuperar modelos diretamente do servidor de tracking.\n\n### 5. Banco de Dados RDS\nUm banco PostgreSQL é criado para armazenar:\n\n- Metadados do MLflow (experimentos, runs, modelos).\n- Metadados do Airflow (DAGs, tarefas, histórico de execução).\n\nPor que PostgreSQL?\n\nÉ suportado nativamente pelo MLflow e Airflow.\nOferece bom desempenho para operações de metadados.\n\n### 6. Buckets S3\nDois buckets são provisionados:\n\n- mlflow-artifacts-bucket: Armazena modelos treinados e artefatos.\n- airflow-dags-bucket: Contém os scripts de pipeline (DAGs) do Airflow.\n\nVantagens do uso do S3:\n\nDurabilidade e alta disponibilidade e Integração nativa com MLflow e Airflow.\n\n### 7. CI/CD com GitHub Actions\nPara evitar deploy manual, configuramos um workflow no GitHub Actions que:\n\nAplica o Terraform automaticamente ao detectar um push no repositório.\nUsa secrets para armazenar credenciais da AWS de forma segura.\n\n\nA infraestrutura é atualizada sem intervenção manual.\n\n---\n\n## 🔄 Fluxo CI/CD\n\n```text\nPush no GitHub → GitHub Actions roda Terraform → Infra atualizada automaticamente\n\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fdiegoribeiro2%2Fprojeto_mlops_completo","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fdiegoribeiro2%2Fprojeto_mlops_completo","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fdiegoribeiro2%2Fprojeto_mlops_completo/lists"}