Autoescalado de workflows científicos en cloud usando aprendizaje por refuerzo

Autores
Robino, L.; Mateos, Cristian M.; Pacini, Elina; Gari, Y.; Yannibelli, V.; Monge, David A.
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Las tecnologías workflow son una herramienta muy útil para desarrollos de software científico y computacionalmente costoso. Por esto, se busca agilizar y abaratar su ejecución. En este contexto, se propone desarrollar estrategias inteligentes de autoescalado en Cloud para lograr estos fines. En el presente trabajo, se describe una línea de investigación conjunta realizada en los últimos años por el Instituto Superior de Ingeniería de Software (ISISTAN) y el Laboratorio de Sistemas Inteligentes (LabSIn). La línea ha apuntado al desarrollo y mejora de un modelo de Aprendizaje por Refuerzo (AR) en autoescaladores para workflows científicos en Cloud. Actualmente la mejora de este modelo está enfocada en la combinación de técnicas como Deep Learning, algoritmos evolutivos, Large Language Models (LLM) y comparación de diferentes algoritmos para ahorrar el dinero usado en la ejecución de estos workflow así como en minimizar su tiempo de ejecución.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Workflow Científico
Aprendizaje por Refuerzo
Cloud Computing
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/184389
Acceder
id SEDICI_82cc7ec09cbb207b03941fc7aa7493ba
oai_identifier_str oai:sedici.unlp.edu.ar:10915/184389
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Autoescalado de workflows científicos en cloud usando aprendizaje por refuerzoRobino, L.Mateos, Cristian M.Pacini, ElinaGari, Y.Yannibelli, V.Monge, David A.Ciencias InformáticasWorkflow CientíficoAprendizaje por RefuerzoCloud ComputingLas tecnologías workflow son una herramienta muy útil para desarrollos de software científico y computacionalmente costoso. Por esto, se busca agilizar y abaratar su ejecución. En este contexto, se propone desarrollar estrategias inteligentes de autoescalado en Cloud para lograr estos fines. En el presente trabajo, se describe una línea de investigación conjunta realizada en los últimos años por el Instituto Superior de Ingeniería de Software (ISISTAN) y el Laboratorio de Sistemas Inteligentes (LabSIn). La línea ha apuntado al desarrollo y mejora de un modelo de Aprendizaje por Refuerzo (AR) en autoescaladores para workflows científicos en Cloud. Actualmente la mejora de este modelo está enfocada en la combinación de técnicas como Deep Learning, algoritmos evolutivos, Large Language Models (LLM) y comparación de diferentes algoritmos para ahorrar el dinero usado en la ejecución de estos workflow así como en minimizar su tiempo de ejecución.Red de Universidades con Carreras en Informática2025-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf20-23http://sedici.unlp.edu.ar/handle/10915/184389spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:50:12Zoai:sedici.unlp.edu.ar:10915/184389Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:50:12.771SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Autoescalado de workflows científicos en cloud usando aprendizaje por refuerzo
title Autoescalado de workflows científicos en cloud usando aprendizaje por refuerzo
spellingShingle Autoescalado de workflows científicos en cloud usando aprendizaje por refuerzo
Robino, L.
Ciencias Informáticas
Workflow Científico
Aprendizaje por Refuerzo
Cloud Computing
title_short Autoescalado de workflows científicos en cloud usando aprendizaje por refuerzo
title_full Autoescalado de workflows científicos en cloud usando aprendizaje por refuerzo
title_fullStr Autoescalado de workflows científicos en cloud usando aprendizaje por refuerzo
title_full_unstemmed Autoescalado de workflows científicos en cloud usando aprendizaje por refuerzo
title_sort Autoescalado de workflows científicos en cloud usando aprendizaje por refuerzo
dc.creator.none.fl_str_mv Robino, L.
Mateos, Cristian M.
Pacini, Elina
Gari, Y.
Yannibelli, V.
Monge, David A.
author Robino, L.
author_facet Robino, L.
Mateos, Cristian M.
Pacini, Elina
Gari, Y.
Yannibelli, V.
Monge, David A.
author_role author
author2 Mateos, Cristian M.
Pacini, Elina
Gari, Y.
Yannibelli, V.
Monge, David A.
author2_role author
author
author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Workflow Científico
Aprendizaje por Refuerzo
Cloud Computing
topic Ciencias Informáticas
Workflow Científico
Aprendizaje por Refuerzo
Cloud Computing
dc.description.none.fl_txt_mv Las tecnologías workflow son una herramienta muy útil para desarrollos de software científico y computacionalmente costoso. Por esto, se busca agilizar y abaratar su ejecución. En este contexto, se propone desarrollar estrategias inteligentes de autoescalado en Cloud para lograr estos fines. En el presente trabajo, se describe una línea de investigación conjunta realizada en los últimos años por el Instituto Superior de Ingeniería de Software (ISISTAN) y el Laboratorio de Sistemas Inteligentes (LabSIn). La línea ha apuntado al desarrollo y mejora de un modelo de Aprendizaje por Refuerzo (AR) en autoescaladores para workflows científicos en Cloud. Actualmente la mejora de este modelo está enfocada en la combinación de técnicas como Deep Learning, algoritmos evolutivos, Large Language Models (LLM) y comparación de diferentes algoritmos para ahorrar el dinero usado en la ejecución de estos workflow así como en minimizar su tiempo de ejecución.
Red de Universidades con Carreras en Informática
description Las tecnologías workflow son una herramienta muy útil para desarrollos de software científico y computacionalmente costoso. Por esto, se busca agilizar y abaratar su ejecución. En este contexto, se propone desarrollar estrategias inteligentes de autoescalado en Cloud para lograr estos fines. En el presente trabajo, se describe una línea de investigación conjunta realizada en los últimos años por el Instituto Superior de Ingeniería de Software (ISISTAN) y el Laboratorio de Sistemas Inteligentes (LabSIn). La línea ha apuntado al desarrollo y mejora de un modelo de Aprendizaje por Refuerzo (AR) en autoescaladores para workflows científicos en Cloud. Actualmente la mejora de este modelo está enfocada en la combinación de técnicas como Deep Learning, algoritmos evolutivos, Large Language Models (LLM) y comparación de diferentes algoritmos para ahorrar el dinero usado en la ejecución de estos workflow así como en minimizar su tiempo de ejecución.
publishDate 2025
dc.date.none.fl_str_mv 2025-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/184389
url http://sedici.unlp.edu.ar/handle/10915/184389
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
20-23
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616361375956992
score 13.070432

Publicaciones similares