Introduction à l'automatisation complète et aux bonnes pratiques en MLOps

MLOps entièrement automatisé

Arturo Opsetmoen Amador

Senior Consultant - Machine Learning

Le cycle de vie MLOps

Image du cycle de vie MLOps. Trois cercles reliés : de gauche à droite : Design, Development, Deployment.

Niveaux de maturité en MLOps

Les niveaux de maturité incluent :

Workflow ML manuel
Workflow ML semi-automatisé
Workflow ML entièrement automatisé

Workflow ML manuel - Expérimentation ad hoc

Illustration montrant la livraison manuelle de modèles de la phase de développement à la production via un processus manuel.

Workflow ML semi-automatisé

Image de données injectées dans un pipeline d'expériences orchestré.

Workflow ML semi-automatisé

L'image précédente est étendue en incluant du code poussé vers un dépôt de sources et un feature store qui alimente le système en données.

Workflow ML semi-automatisé

L'image précédente est étendue en incluant un composant de déploiement. Celui-ci déploie des pipelines ML automatisés dans l'architecture. De plus, un magasin de métadonnées ML reçoit les métadonnées générées par le pipeline automatisé.

Workflow ML semi-automatisé

L'architecture précédente est étendue. Les modèles produits par le pipeline automatisé sont maintenant poussés vers un registre de modèles, qui à son tour fournit les modèles à un module de service de modèles. Le module de service de modèles est connecté à un service de prédiction dans l'architecture.

Workflow ML semi-automatisé

Le service de prédiction de l'architecture est relié à un composant de suivi de performance, lui-même connecté à un déclencheur automatique. Le déclencheur peut redémarrer le pipeline automatisé dans le système.