MLOps

Stratégie d'intelligence artificielle (IA)

Vidhi Chugh

AI strategist and ethicist

Opérationnalisation

Intégrer des modèles d'IA avancés aux opérations courantes.

Modèles d'IA avancés

Contrôle de versions du code et des données

Les expériences produisent plusieurs versions de code

Les expériences produisent plusieurs versions de code

Gérées par des systèmes de contrôle de versions

Versions des données

Versions des données

Nouvelles données ou nouvelles caractéristiques

Portabilité

Environnements des projets de ML
- Entraînement
- Validation
- Production

Uniformes tout au long du cycle de vie
- Bibliothèques
- Cadriciels
- Versions

Bibliothèques, cadriciels et versions

Le bon moment pour y penser !

Gérer diverses versions et dépendances

L'accent est sur la valeur d'affaires immédiate

Accent sur la valeur d'affaires immédiate

Évolutivité et architecture reléguées après coup

Évolutivité et architecture

Approches ad hoc = défis

Gestion automatisée des données

Effort pour re-préparer les données d'entraînement
Erreurs, changements ou mises à jour
Gestion automatisée des données pour la qualité
Contrôles de qualité et alertes

Erreurs, changements ou mises à jour

Gestion automatisée des données pour la qualité

Contrôles de qualité et alertes

Besoin d'automatisation

Interventions manuelles = délais
- Performance du modèle dégradée
- Analyse des erreurs
- Mesures correctives

Interventions manuelles

Performance du modèle

Beaucoup de temps écoulé
Prédictions erronées
Conséquences négatives

Remaniement du code

Remanier le code initial

Manque de bonnes pratiques d'ingénierie de base

Nécessité de remanier le code initial
- Risque important
- Logique originale mal comprise ou mal représentée

Caractéristiques d'une architecture efficace

Des systèmes fiables exigent des efforts
MLOps = normaliser les processus et automatiser les chaînes de traitement

Automatisation :
- Modules réutilisables : produits de données, code
- Cadres de tests automatisés
- Réduit le risque lié au remaniement

Automatisation

Caractéristiques d'une architecture efficace

Docker regroupe le modèle avec l'environnement

Docker regroupe le modèle avec l'environnement
Moins d'interventions manuelles = cycle de vie efficace
Maintenir la performance du modèle est difficile

MLOps pour surveiller les modèles
- 30 % moins de modèles mis au rancart
- Hausse de valeur de 60 %

Passons à la pratique !

Stratégie d'intelligence artificielle (IA)

Preparing Video For Download...