Adopter une mentalité MLOps

Déployer des modèles de Machine Learning en production

Sinan Ozdemir

Data Scientist, Entrepreneur, and Author

MLOps

  • Automatiser et optimiser le flux de travail ML, de l'expérimentation à la production
  • S'assurer que les expériences ML sont bien testées, prêtes au déploiement et à l'échelle

mlops

Déployer des modèles de Machine Learning en production

Expériences ML

Les expériences ML consistent à tester des modèles et à déterminer le meilleur

  • MLOps inclut l'expérimentation de modèles
  • Évaluer les modèles sur différents ensembles de données
  • Sélection rigoureuse du modèle essentielle
  • Ce choix peut prendre du temps
  • Assure la réussite du projet
Déployer des modèles de Machine Learning en production

De l'expérimentation à la production

forest

Qu'est-ce qui rend une expérience ML prête pour la production ?

  • Testée et validée avec les bons indicateurs
  • Documentation adéquate
  • Surveillance opérationnelle en place
  • Environnement de production sécuritaire et évolutif
Déployer des modèles de Machine Learning en production

Pourquoi la plupart des expériences ML échouent

Plusieurs raisons peuvent l'expliquer :

  • Objectifs et cibles flous
  • Mauvaise qualité des données
  • Architectures de modèles complexes
  • Données d'entraînement insuffisantes
  • Surapprentissage ou sous-apprentissage
Déployer des modèles de Machine Learning en production

Dette technique

Du code écrit vite sans tests ni validation adéquats, ou avec une documentation manquante/incomplète/périmée

  • Des erreurs ou bogues coûteux peuvent survenir si on n'agit pas tôt.
  • Évitez la dette technique en soignant code et documentation dès le départ.

good_kitty

Déployer des modèles de Machine Learning en production

Passons à la pratique !

Déployer des modèles de Machine Learning en production

Preparing Video For Download...