Le modèle d'automatisation, de supervision et de réponse aux incidents

MLOps entièrement automatisé

Arturo Opsetmoen Amador

Senior Consultant - Machine Learning

Qu'est-ce qu'un patron de conception logicielle ?

Une solution générale et réutilisable à un problème fréquent…

L'image d'un plan.

Automatiser, superviser, répondre

Un schéma illustrant un processus : automatisation, supervision, réponse aux incidents.

Améliore la fiabilité des systèmes de ML conçus

Trois exemples de patron de conception en MLOps

Réentraînement automatique du modèle
Restauration de modèle
Imputation de variables

L'image d'un plan.

1. Réentraînement automatique du modèle

Vue d'ensemble de l'architecture MLOps entièrement automatisée.

1. Réentraînement automatique du modèle - exécution des prédictions

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le service de prédiction est mis en évidence.

1. Réentraînement automatique du modèle - Supervision

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le module de supervision des performances est mis en évidence.

1. Réentraînement automatique du modèle - Déclencheur

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le composant de déclenchement est mis en évidence.

1. Réentraînement automatique du modèle - Pipeline automatisé

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le pipeline automatisé est mis en évidence.

1. Réentraînement automatique du modèle - Déploiement

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le composant de livraison continue est mis en évidence.

2. Restauration de modèle

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le pipeline automatisé est mis en évidence.

2. Restauration de modèle - Échec de validation

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Les étapes d'évaluation et de validation du modèle sont mises en évidence.

2. Restauration de modèle - Dernier modèle fonctionnel

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le registre des modèles est mis en évidence.

2. Restauration de modèle - Redéploiement

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le composant de déploiement continu est mis en évidence.

3. Imputation de variables - Pipeline centré données

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Les composants données du pipeline automatisé sont mis en évidence.

3. Imputation de variables - Qualité des données

Image d'un tableau montrant des colonnes de données avec des valeurs manquantes.

Niveaux variables de qualité des données
Certaines variables peuvent passer sous un seuil de QA

3. Imputation de variables - Variables défectueuses

Les colonnes du tableau précédent sont mises en évidence et marquées comme défectueuses.

Détecter les variables défaillantes
Appliquer l'imputation de variables

3. Imputation de variables - Corrections possibles

Valeurs numériques

$$
- Imputation par moyenne/médiane
- Imputation KNN

Valeurs catégorielles

$$
Imputation par catégorie fréquente
Ajout d'une catégorie « Manquante »

Passons à la pratique !