| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 6.06 MB | Adobe PDF |
Authors
Abstract(s)
Recommender systems have become essential in modern digital platforms, supporting decision making and personalization across domains such as e-commerce, media, and enterprise applications. At BMW Group, MyWorkplace (MWP) is a centralized hub managed by Critical Techworks (CTW) that provides access to hundreds of internal tools. Discoverability remains challenging given the size and heterogeneity of the tools catalog. This creates inefficiencies, highlighting the need for a scalable, reliable, and auditable recommendation solution.
This project presents an MLOps-first approach for a recommender grounded in the CRISPML(Q) process model. It characterizes the recommendation problem, available data sources, and success criteria, and proposes a reference architecture integrating automated ETL, feature preparation, containerized training and serving, and CI/CD for continuous delivery. Several content-based approaches are implemented and evaluated under realistic data constraints using established ranking metrics; collaborative and hybrid extensions are outlined for future phases once interaction feedback becomes available. The contributions of this work are both technical and methodological: the design and validation of a recommendation strategy for the hub platform; an assessment of operational and governance requirements, including security and compliance, and the demonstration of the
system in a real-world industrial environment. In addition to the deployment within BMW Group, this project advances the understanding of how MLOps principles can be applied to balance automation and customization in recommender systems. Results indicate that an MLOps-first design improves scalability, maintainability, and auditability, and lays the groundwork for collaborative filtering, feedback loops, and, when governance permits, large language model components. The system and methodology are applicable to enterprise-scale recommendation scenarios with similar operational constraints.
Os sistemas de recomendação tornaram-se essenciais nas plataformas digitais modernas, apoiando a tomada de decisão e a personalização em domínios como o comércio eletrónico, os media e as aplicações empresariais. No BMW Group, o myWorkplace (MWP) é um hub centralizado, gerido pela Critical Techworks (CTW), que disponibiliza acesso a centenas de ferramentas internas. A capacidade de descoberta continua a ser desafiante, dada a dimensão e a heterogeneidade do catálogo de ferramentas. Isto gera ineficiências, evidenciando a necessidade de uma solução de recomendação escalável, fiável e auditável. Este projeto apresenta uma abordagem "MLOps-first" para um sistema de recomendação, alicerçada no modelo de processo CRISP-ML(Q). Caracteriza o problema de recomendação, as fontes de dados disponíveis e os critérios de sucesso, e propõe uma arquitetura de referência que integra ETL automatizado, preparação de características (features), treino e serving conteinerizados, e CI/CD para entrega contínua. Implementam-se e avaliam-se várias abordagens baseadas em conteúdo, sob restrições de dados realistas, recorrendo a métricas de ranking estabelecidas; extensões colaborativas e híbridas são delineadas para fases futuras, assim que exista feedback de interação. As contribuições deste trabalho são simultaneamente técnicas e metodológicas: a conceção e validação de uma estratégia de recomendação para a plataforma hub; uma avaliação dos requisitos operacionais e de governação, incluindo segurança e conformidade; e a demonstração do sistema num ambiente industrial real. Para além da implementação no BMW Group, este projeto aprofunda a compreensão de como os princípios de MLOps podem ser aplicados para equilibrar automação e customização em sistemas de recomendação. Os resultados indicam que um design "MLOps-first" melhora a escalabilidade, a manutenibilidade e a auditabilidade, e estabelece as bases para filtragem colaborativa, ciclos de feedback e, quando a governação o permitir, componentes de modelos de linguagem de grande escala (LLM). O sistema e a metodologia são aplicáveis a cenários de recomendação à escala empresarial com restrições operacionais semelhantes.
Os sistemas de recomendação tornaram-se essenciais nas plataformas digitais modernas, apoiando a tomada de decisão e a personalização em domínios como o comércio eletrónico, os media e as aplicações empresariais. No BMW Group, o myWorkplace (MWP) é um hub centralizado, gerido pela Critical Techworks (CTW), que disponibiliza acesso a centenas de ferramentas internas. A capacidade de descoberta continua a ser desafiante, dada a dimensão e a heterogeneidade do catálogo de ferramentas. Isto gera ineficiências, evidenciando a necessidade de uma solução de recomendação escalável, fiável e auditável. Este projeto apresenta uma abordagem "MLOps-first" para um sistema de recomendação, alicerçada no modelo de processo CRISP-ML(Q). Caracteriza o problema de recomendação, as fontes de dados disponíveis e os critérios de sucesso, e propõe uma arquitetura de referência que integra ETL automatizado, preparação de características (features), treino e serving conteinerizados, e CI/CD para entrega contínua. Implementam-se e avaliam-se várias abordagens baseadas em conteúdo, sob restrições de dados realistas, recorrendo a métricas de ranking estabelecidas; extensões colaborativas e híbridas são delineadas para fases futuras, assim que exista feedback de interação. As contribuições deste trabalho são simultaneamente técnicas e metodológicas: a conceção e validação de uma estratégia de recomendação para a plataforma hub; uma avaliação dos requisitos operacionais e de governação, incluindo segurança e conformidade; e a demonstração do sistema num ambiente industrial real. Para além da implementação no BMW Group, este projeto aprofunda a compreensão de como os princípios de MLOps podem ser aplicados para equilibrar automação e customização em sistemas de recomendação. Os resultados indicam que um design "MLOps-first" melhora a escalabilidade, a manutenibilidade e a auditabilidade, e estabelece as bases para filtragem colaborativa, ciclos de feedback e, quando a governação o permitir, componentes de modelos de linguagem de grande escala (LLM). O sistema e a metodologia são aplicáveis a cenários de recomendação à escala empresarial com restrições operacionais semelhantes.
Description
Keywords
Recommender Systems MLOps Data Engineering Kubernetes ETL Pipelines Machine Learning Sistemas de recomendação Engenharia de dados Aprendizagem automática