Orchestration en MLOps

MLOps entièrement automatisé

Arturo Opsetmoen Amador

Senior Consultant - Machine Learning

Un élément clé des systèmes MLOps

Image de l'architecture de référence MLOps avec deux éléments en surbrillance : expériences orchestrées en développement et pipeline automatisé en production.

Modularité et réutilisation

Figure avec deux pipelines ML, un en haut et un en bas. Le pipeline du haut est en environnement de développement et d'expérimentation, celui du bas en production.

Orchestration et automatisation

Les pipelines ML sont utilisés :

Développement et expérimentation

Figure d'un composant : expérience orchestrée.

Production

Figure d'un pipeline ML automatisé.

Graphes acycliques dirigés (DAG) en MLOps

Représentations graphiques de pipelines
Étapes de pipeline comme nœuds
Dépendances entre étapes = arêtes

Image d'un DAG simple avec des étapes interconnectées dans un pipeline ML.

Qu'est-ce que l'orchestration en MLOps ?

Gérer et automatiser les flux de tâches

Planification et suivi des tâches

Gérer les dépendances et flux de données

Pipelines ML – développement et expérimentation

Figure d'un pipeline ML orchestré en environnement de développement et d'expérimentation. Le pipeline est déclenché par une ou un data scientist et orchestré par un composant d'orchestration.

Gérer de bout en bout les tâches d'entraînement de modèle
Flux correct, traçabilité et journalisation
Expérimentation en parallèle

Pipelines ML – production

Figure d'un pipeline ML automatisé en production. Le pipeline est déclenché par un composant de déclenchement automatisé et orchestré par un composant d'orchestration.

Aide à automatiser le déploiement des modèles
Gère et exécute les étapes du pipeline
Déploiements cohérents et fiables

Passons à la pratique !

MLOps entièrement automatisé