Automatisation

Développer des modèles de Machine Learning pour la production

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

Introduction à l'automatisation en ML

  • L'automatisation assure la fiabilité et l'efficacité des pipelines de Machine Learning
  • Réduit le risque d'erreur humaine
  • Rationalise le développement et le déploiement
  • Les quatre principes MLOps :
    • Intégration continue (CI)
    • Déploiement continu (CD)
    • Entraînement continu (CT)
    • Supervision continue (CM)
Développer des modèles de Machine Learning pour la production

Quatre principes de l'automatisation

Intégration continue (CI) Intégrer régulièrement les changements de code dans un dépôt partagé codage

Déploiement continu (CD) Construire, tester et déployer automatiquement les changements de code colis

Entraînement continu (CT) Entraîner et mettre à jour en continu le modèle avec de nouvelles données

cerveau

Supervision continue (CM) Suivre en continu la performance et la précision du modèle écran

Développer des modèles de Machine Learning pour la production

Intégration et déploiement continus

Intégration continue (CI)

  • Garantit un code toujours fonctionnel
  • Réduit le risque d'erreur humaine
  • Détecte les problèmes tôt

Déploiement continu (CD)

  • Déploiement de modèles rapide et homogène
  • Réduit le temps jusqu'à la production
  • Réduit le risque d'erreur humaine

Outils CI/CD : Git, AWS CodePipeline, Jenkins, Travis CI

jenkins

Développer des modèles de Machine Learning pour la production

Entraînement et supervision continus

Entraînement continu (CT)

  • Garantit un modèle précis et à jour
  • Réduit le risque de dérive du modèle
  • Réduit le temps de réentraînement

Supervision continue (CM)

  • Réduit le risque de dérive du modèle
  • Améliore la précision globale
  • Accès à des métriques ML fiables et cohérentes
  • Identifie tôt les problèmes

écran

Développer des modèles de Machine Learning pour la production

Exemple d'automatisation du ML à l'échelle

  1. CI : le code du modèle est enregistré dans Git.

  2. CD : le code validé est construit et testé avec un outil CI/CD comme Jenkins. S'ils réussissent, nous déployons.

    • Le modèle est sérialisé.
    • Les dépendances sont définies avec Docker.
    • L'image Docker est déployée.

  3. CM : la performance du modèle est supervisée en continu.

    • La supervision éclaire les décisions sur le modèle.
    • Les outils CM incluent Prometheus et Grafana

  4. CT : le modèle est entraîné sur de nouvelles données.

  5. Nouveau code / modèles mis à jour… retour à l'étape 1

Développer des modèles de Machine Learning pour la production

Passons à la pratique !

Développer des modèles de Machine Learning pour la production

Preparing Video For Download...