Mettre votre modèle de prévision en production

Concevoir des pipelines de prévision pour la production

Rami Krispin

Senior Manager, Data Science and Engineering

Introduction

• Senior manager – data science et ingénierie
• Séries temporelles, prévision et MLOps
• Auteur
• Contributeur open source

Prévision en production

• Architecture d'un pipeline de prévision
• Mettre en place l'automatisation
• Surveiller le pipeline

Motivation

• Automatisation – une tâche de prévision récurrente
  • Exemple : prévoir la température horaire
• Passage à l'échelle – grand volume de séries
  • Exemple : nombreuses séries ou forts besoins de calcul

Architecture générale

Architecture générale

Architecture générale

Architecture générale

Architecture générale

Architecture générale

Plan du cours

Chapitre 1

• Examiner la source de données
• Extraire les données via l'API EIA

Chapitre 2

• Processus d'expérimentation
  • Entraîner, tester et journaliser plusieurs modèles de prévision

Chapitre 3

• Processus de déploiement
  • Automatisation des données, rafraîchissement du modèle et collecte des journaux

Chapitre 4

• Étapes post-déploiement
  • Surveillance et alertes
  • Bonnes pratiques

Prérequis du cours

Cours avancé, prérequis :

• Analyse de séries temporelles et prévision
• Systèmes d'orchestration
• APIs
• Python

Outils du cours

Passons à la pratique !

Concevoir des pipelines de prévision pour la production