Enjeux métier et risques liés au MLOps

MLOps pour l’entreprise

Arne Jonas Warnke

Head of Emerging Curriculum

Sommaire du chapitre 3

Vidéo Enjeux métier et risques liés au MLOps :

  • Enjeux métier et risques liés au MLOps

$$

Vidéo Comment les équipes MLOps opèrent avec succès :

  • Comment les équipes MLOps opèrent avec succès

$$

Vidéo L'état du MLOps aujourd'hui

  • L'état du MLOps aujourd'hui
MLOps pour l’entreprise

Le MLOps est exigeant

$$ De nombreuses entreprises peinent

  • À industrialiser
  • À automatiser la conception et le développement
  • À rationaliser et passer à l'échelle

de leurs cas d'usage ML

$$

Défi

MLOps pour l’entreprise

Le MLOps exige des compétences variées

Le MLOps se situe à l'intersection de Machine Learning, Data Engineering et Software Engineering

MLOps pour l’entreprise

Défis MLOps : compétences

Les équipes manquent souvent

  • De certaines compétences clés
    • Souvent liées au software engineering

$$

Ce qui peut mener à

  • Dette technique
  • Manque de standardisation
  • Reproductibilité insuffisante

Des personnes collaborant pour résoudre un puzzle

MLOps pour l’entreprise

Défis MLOps : collaboration et culture

La collaboration est essentielle pour garantir

  • L'alignement entre métriques statistiques et enjeux métier
  • Une compréhension partagée du fonctionnement des équipes MLOps

$$

Culture et habitudes de

  • Apprentissage continu
  • Acceptation que des échecs surviennent
  • Documentation et partage de connaissances

$$

Des personnes collaborant devant un ordinateur

MLOps pour l’entreprise

Défis MLOps : technologie

La technologie

  • Évolue vite
  • Pas de pile d'outils MLOps commune
    • Des équipes adoptent des approches technologiques très différentes
    • Peu de bonnes pratiques largement admises côté technologie

$$

Erreur courante

  • Suraccentuer la technologie

$$ Un graphe réseau intelligent

MLOps pour l’entreprise

Défis MLOps : risques

Risques liés à l'exploitation de modèles de machine learning :

  • Risques métier et financiers
    • Application/modèle potentiellement indisponible
    • Qualité des prédictions en baisse
    • Risque de maintenance
  • Risques de gouvernance
    • Prédictions totalement erronées possibles
    • Bias possible
  • Risques de sûreté (cyber)

$$

Une illustration de différents risques

MLOps pour l’entreprise

Projets logiciels traditionnels vs MLOps

Logiciel traditionnel

  • Tests, débogage…

MLOps

  • Tests, débogage…
  • Supervision des données
  • Supervision des sorties du modèle
  • …

$$ Une personne écrivant du code

$$ Un hybride humain-robot écrivant du code

MLOps pour l’entreprise

Passons à la pratique !

MLOps pour l’entreprise

Preparing Video For Download...