Le modèle d'automatisation, de surveillance et d'intervention en cas d'incident

MLOps entièrement automatisé

Arturo Opsetmoen Amador

Senior Consultant - Machine Learning

Qu'est-ce qu'un patron de conception logiciel ?

Une solution générale et réutilisable à un problème courant…

L'image d'un plan technique.

Automatiser, surveiller, intervenir

Une image montrant un processus : automatisation, surveillance, intervention en cas d'incident.

Améliore la fiabilité des systèmes de ML que nous concevons

Trois exemples de patron en MLOps

Réentraînement automatisé du modèle
Rétrogradation du modèle
Imputation des variables

L'image d'un plan technique.

1. Réentraînement automatisé du modèle

Vue d'ensemble de l'architecture MLOps entièrement automatisée.

1. Réentraînement automatisé — Exécution des prédictions

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le service de prédiction est en surbrillance.

1. Réentraînement automatisé — Surveillance

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le module de surveillance du rendement est en surbrillance.

1. Réentraînement automatisé — Déclencheur

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le composant de déclenchement est en surbrillance.

1. Réentraînement automatisé — Pipeline automatisé

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le pipeline automatisé est en surbrillance.

1. Réentraînement automatisé — Déploiement

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le composant de livraison continue est en surbrillance.

2. Rétrogradation du modèle

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le pipeline automatisé est en surbrillance.

2. Rétrogradation — Échec de validation

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Les étapes d'évaluation et de validation du modèle sont en surbrillance.

2. Rétrogradation — Dernier modèle fonctionnel

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le registre de modèles est en surbrillance.

2. Rétrogradation — Redéploiement

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Le composant de déploiement continu est en surbrillance.

3. Imputation des variables — Pipeline axé sur les données

Vue d'ensemble de l'architecture MLOps entièrement automatisée. Les composantes de données du pipeline automatisé sont en surbrillance.

3. Imputation des variables — Qualité des données

Une image d'un tableau montrant des colonnes avec des valeurs manquantes.

Niveaux variables de qualité des données
Certaines variables peuvent être sous le seuil d'AQ

3. Imputation des variables — Variables défectueuses

Les colonnes du tableau précédent sont en surbrillance et marquées comme défectueuses.

Détecter les variables défaillantes
Appliquer l'imputation des variables

3. Imputation des variables — Correctifs possibles

Valeurs numériques

$$
- Imputation par moyenne/médiane
- Imputation KNN

Valeurs catégorielles

$$
Imputation par catégorie fréquente
Ajout d'une catégorie « Manquante »

Passons à la pratique !