Déployer le modèle

Machine Learning de bout en bout

Joshua Stapleton

Machine Learning Engineer

Modèle en tant que service

  • Parties prenantes/utilisateurs accèdent au modèle via Internet

  • Exposer le modèle via un portail

    • Les utilisateurs envoient des requêtes/données
    • Reçoivent diagnostics/prédictions

  • Enjeux :

    • Clinique rurale/sans Internet
    • Environnement très sécurisé/données sensibles

Symbole de portail montrant le modèle en service

Machine Learning de bout en bout

Service sur l’appareil

Architectures de service intégrées

  • Edge computing
  • Utile quand Internet est peu fiable

Rouages dans une tête illustrant le calcul sur l’appareil

Machine Learning de bout en bout

Avantages et limites du service sur l’appareil

Avantages :

  • Latence réduite
  • Sécurité
  • Utile en zones éloignées/déconnectées

Inconvénients :

  • Ressources limitées
  • Mises à jour du modèle
  • Supervision
Machine Learning de bout en bout

Stratégies de mise en œuvre

  • Élagage
  • Transfert d’apprentissage
  • Utiliser des frameworks dédiés

Icône illustrant une stratégie

Machine Learning de bout en bout

Passons à la pratique !

Machine Learning de bout en bout

Preparing Video For Download...