Déployer un modèle dans Databricks

Concepts de Databricks

Kevin Barlow

Data Practitioner

Cycle de vie du Machine Learning

Cycle de vie du Machine Learning

¹ https://www.datacamp.com/blog/machine-learning-lifecycle-explained

Déploiement et exploitation du modèle

Cycle de vie du Machine Learning

Enjeux du déploiement de modèles

Disponibilité

Comment mes utilisateurs finaux ou mon application utiliseront-ils le modèle ?
Où placer le modèle pour y accéder ?
Le modèle sera-t-il facile à comprendre ou à utiliser ?

Utilisation d'un modèle de ML

Évaluation

Mes utilisateurs se servent-ils vraiment de mon modèle ?
Mon modèle offre-t-il toujours de bonnes performances ?
Faut-il réentraîner le modèle ?
Ai-je besoin d'un nouveau modèle, meilleur ?

Évaluation d'un modèle de ML

Processus de déploiement de modèle

Processus de déploiement de modèle

Variantes de modèles

Les modèles MLFlow peuvent stocker un modèle de n'importe quel cadre de Machine Learning
Les modèles sont stockés avec diverses configurations et artéfacts
Les modèles peuvent être « traduits » en un autre type selon les besoins. Par exemple :
- scikit-learn
- pyfunc
- spark
- tensorflow

Modèles MLFlow

Registre de modèles

Registre de modèles Databricks

Registre de modèles

Registre de modèles - Modèles enregistrés

Registre de modèles

Registre de modèles - Versions de modèle

Registre de modèles

Registre de modèles - Étapes du modèle

Service de modèles

Service de modèles Databricks

Service de modèles

Service de modèles - Grappes

Service de modèles

Service de modèles - Sélection du modèle

Service de modèles

Mesures du service de modèles

¹ https://www.databricks.com/product/model-serving

Passons à la pratique !

Concepts de Databricks

Preparing Video For Download...