Adopter une approche MLOps

Développer des modèles de Machine Learning pour la production

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

MLOps

  • Automatiser et rationaliser le flux ML de l'expérimentation à la production
  • Garantir des expériences ML bien testées, prêtes au déploiement et à l'échelle

mlops

Développer des modèles de Machine Learning pour la production

Expériences ML

Les expériences ML consistent à tester des modèles et à déterminer le meilleur

  • MLOps inclut l'expérimentation de modèles
  • Évaluer les modèles sur différents jeux de données
  • Sélection rigoureuse du modèle essentielle
  • Processus de sélection potentiellement long
  • Clé du succès du projet
Développer des modèles de Machine Learning pour la production

Des expériences à la production

forest

Qu'est-ce qui rend une expérience ML prête pour la production ?

  • Testée et validée avec des métriques adaptées
  • Documentation adéquate
  • Dispositifs de monitoring en place
  • Environnement de production sûr et scalable
Développer des modèles de Machine Learning pour la production

Pourquoi la plupart des expériences ML échouent

Plusieurs raisons peuvent l'expliquer :

  • Objectifs et cibles flous
  • Mauvaise qualité des données
  • Architectures de modèles complexes
  • Données d'entraînement insuffisantes
  • Surapprentissage ou sous‑apprentissage
Développer des modèles de Machine Learning pour la production

Dette technique

Code écrit à la hâte, sans tests ni validation, ou avec une documentation manquante/incomplète/obsolète

  • Des erreurs ou bogues coûteux peuvent survenir si l'on n'agit pas tôt.
  • Évitez la dette technique : écrivez dès le départ un code propre et une documentation soignée.

good_kitty

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...