Considérations pour un déploiement complet
Mettre en œuvre des solutions d'IA en entreprise
Jacob H. Marquez
Data Scientist
Étendre et pérenniser une solution d'IA
$$
Étendre et pérenniser une solution d'IA
$$
Étendre et pérenniser une solution d'IA
$$
DevOps
« Development Operations »
Meilleure collaboration, intégration, déploiement
Automatisation des processus
Amélioration continue et surveillance
$$
MLOps
« Machine Learning Operations »
Semblable à DevOps
Opérationnaliser les processus pour les données et les algorithmes
MLOps
« Machine Learning Operations »
Semblable à DevOps
Opérationnaliser les processus pour les données et les algorithmes
MLOps
« Machine Learning Operations »
Semblable à DevOps
Opérationnaliser les processus pour les données et les algorithmes
MLOps
« Machine Learning Operations »
Semblable à DevOps
Opérationnaliser les processus pour les données et les algorithmes
MLOps
« Machine Learning Operations »
Semblable à DevOps
Opérationnaliser les processus pour les données et les algorithmes
Permet l'extensibilité horizontale
MLOps - Surveillance de l'IA
Comparer le rendement du modèle au point de référence
Exemple
: exactitude des prédictions durant le premier mois après le déploiement
Dérive du modèle
quand le rendement baisse
Nuire à la prise de décision
Conformité, vie privée et sécurité
Important durant la POC
Possible avec des mesures minimales
Essentiel pour passer au déploiement complet
Fait partie de l'IA responsable
Exigences légales et réglementaires
Respecter les exigences réglementaires à CHAQUE lieu
Surtout avec des données sensibles et personnelles
Éviter les pénalités et conséquences juridiques
$$ $$
Sécurité
Sécuriser les données, l'infrastructure et le produit
Authentification
Autorisation
$$
Gestion et atténuation des risques
Éviter les dommages à la solution, aux clients et à l'entreprise
Auditer la solution
Examens juridiques
Évaluations des risques
Simulations
Passons à la pratique !
Mettre en œuvre des solutions d'IA en entreprise
Preparing Video For Download...