Automatisation

Déployer des modèles de Machine Learning en production

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

Introduction à l'automatisation en ML

  • L'automatisation assure la fiabilité et l'efficacité des pipelines de ML
  • Réduit le risque d'erreurs humaines
  • Rationalise le développement et le déploiement
  • Les quatre principes clés du MLOps :
    • Intégration continue (CI)
    • Livraison continue (CD)
    • Entraînement continu (CT)
    • Surveillance continue (CM)
Déployer des modèles de Machine Learning en production

Quatre principes de l'automatisation

Intégration continue (CI) Intégrer régulièrement les changements de code dans un dépôt partagé programmation

Livraison continue (CD) Créer, tester et déployer automatiquement les changements de code colis

Entraînement continu (CT) Entraîner et mettre à jour continuellement le modèle avec de nouvelles données

cerveau

Surveillance continue (CM) Suivre en continu la performance et la précision du modèle moniteur

Déployer des modèles de Machine Learning en production

Intégration et livraison continues

Intégration continue (CI)

  • Garde le code toujours fonctionnel
  • Réduit le risque d'erreurs humaines
  • Détecte tôt les problèmes

Livraison continue (CD)

  • Déploiement de modèles rapide et uniforme
  • Réduit le temps jusqu'à la production
  • Réduit le risque d'erreurs humaines

Outils CI/CD : Git, AWS CodePipeline, Jenkins, Travis CI

jenkins

Déployer des modèles de Machine Learning en production

Entraînement et surveillance continus

Entraînement continu (CT)

  • Assure la précision et l'actualité du modèle
  • Réduit le risque de dégradation du modèle
  • Réduit le temps de réentraînement

Surveillance continue (CM)

  • Réduit le risque de dégradation du modèle
  • Améliore la précision globale
  • Donne accès à des mesures de ML fiables et uniformes
  • Repère tôt les problèmes

moniteur

Déployer des modèles de Machine Learning en production

Exemple d'automatisation du ML à grande échelle

  1. CI : le code du modèle est consigné dans Git.

  2. CD : le code consigné est assemblé et testé avec un outil CI/CD comme Jenkins. S'ils réussissent, on déploie.

    • Le modèle est sérialisé.
    • Les dépendances sont définies avec Docker.
    • L'image Docker est déployée.

  3. CM : la performance du modèle est surveillée en continu.

    • La surveillance éclaire les décisions sur le modèle.
    • Les outils de CM incluent Prometheus et Grafana

  4. CT : le modèle est entraîné sur de nouvelles données.

  5. Nouveau code écrit / modèles mis à jour… retour à l'étape 1

Déployer des modèles de Machine Learning en production

Passons à la pratique !

Déployer des modèles de Machine Learning en production

Preparing Video For Download...