Orchestration en MLOps

MLOps entièrement automatisé

Arturo Opsetmoen Amador

Senior Consultant - Machine Learning

Un composant clé des systèmes MLOps

Image de l'architecture de référence MLOps avec deux éléments en surbrillance : expériences orchestrées dans l'environnement de développement et pipeline automatisé en production.

Modularité et réutilisabilité

Schéma avec deux pipelines ML, un en haut et un en bas. Le pipeline du haut est en environnement de développement et d'expérimentation, celui du bas en production.

Orchestration et automatisation

Les pipelines ML sont utilisés :

Développement et expérimentation

Schéma d'un composant : expérience orchestrée.

Production

Schéma d'un pipeline ML automatisé.

Graphes acycliques dirigés en MLOps

Représentations graphiques de pipelines
Étapes du pipeline représentées comme des nœuds
Dépendances entre étapes = arêtes

Image d'un DAG simple avec des étapes interconnectées dans un pipeline ML.

Qu'est-ce que l'orchestration en MLOps ?

Gérer et automatiser les flux de tâches

Planification et supervision des tâches

Gérer les dépendances et flux de données

Pipelines ML – développement et expérimentation

Schéma d'un pipeline ML orchestré en environnement de développement et d'expérimentation. Le pipeline est déclenché par un data scientist et orchestré par un composant d'orchestration.

Gérer les tâches de bout en bout pour l'entraînement
Flux correct, traçabilité et logs
Expérimentations en parallèle

Pipelines ML – production

Schéma d'un pipeline ML automatisé en production. Le pipeline est déclenché par un composant de déclenchement automatique et orchestré par un composant d'orchestration.

Aide à automatiser le déploiement des modèles
Gère et exécute les étapes du pipeline
Déploiements cohérents et fiables

Passons à la pratique !

MLOps entièrement automatisé