Superviser des services de Machine Learning

Déploiement MLOps et cycle de vie

Nemanja Radojkovic

Senior Machine Learning Engineer

Maintenir la qualité

  • Clients payants == attentes élevées de qualité
  • L'assurance qualité commence par le contrôle qualité
  • Supervision
Déploiement MLOps et cycle de vie

Indicateurs de performance

Indicateurs de santé clés

  • Service opérationnel ?
  • Volume de requêtes dans le temps ?
  • Répartition des latences ?

 

Indicateur ultime de qualité

  • Performance prédictive

How do ML models deteriorate?

Déploiement MLOps et cycle de vie

classifieur simple

Déploiement MLOps et cycle de vie

frontière apprise

Déploiement MLOps et cycle de vie

modèle entraîné

Déploiement MLOps et cycle de vie

le monde change

Déploiement MLOps et cycle de vie

changement 2

Déploiement MLOps et cycle de vie

frontière déplacée

Déploiement MLOps et cycle de vie

dérive de concept

Déploiement MLOps et cycle de vie

ne pas changer dégrade

Déploiement MLOps et cycle de vie

comment détecter

Déploiement MLOps et cycle de vie

Déploiement MLOps et cycle de vie

le piège

Déploiement MLOps et cycle de vie

selon le cas d'usage

Déploiement MLOps et cycle de vie

jamais gratuit

Déploiement MLOps et cycle de vie

exploiter ce que vous avez

Déploiement MLOps et cycle de vie

évolution des variables d'entrée

Déploiement MLOps et cycle de vie

déplacement de covariables

Déploiement MLOps et cycle de vie

limites de la supervision des entrées

Déploiement MLOps et cycle de vie

supervision des sorties

Déploiement MLOps et cycle de vie

Passons à la pratique !

Déploiement MLOps et cycle de vie

Preparing Video For Download...