Introduction aux MLOps entièrement automatisés

MLOps entièrement automatisé

Arturo Opsetmoen Amador

Senior Consultant - Machine Learning

Les MLOps en contexte industriel

Quels objectifs les entreprises visent-elles couramment avec le Machine Learning ?

  • Concevoir des outils et produits ML qui exploitent les données pour
    • Mieux servir la clientèle
    • Optimiser les processus

Image montrant comment une entreprise peut utiliser des systèmes de Machine Learning pour améliorer soit les processus internes soit les services offerts à la clientèle.

MLOps entièrement automatisé

Optimiser la création de valeur

Les entreprises cherchent à maximiser les profits

  • Le Machine Learning peut accroître la rentabilité
  • En analysant coûts et revenus, on peut estimer les profits potentiels
  • Déployer le bon nombre de cas d'usage ML peut générer des profits

Graphique montrant une courbe. Axe des x : nombre de projets de Machine Learning. Axe des y : revenus générés. La courbe augmente jusqu'à un plateau à 6 projets et environ 25 millions, puis les revenus diminuent sans remonter.

MLOps entièrement automatisé

Coûts en développement logiciel

Coûts prévus dans un projet logiciel traditionnel :

  • Coûts de développement
  • Gestion de projet
  • Conception UI/UX
  • Assurance qualité
MLOps entièrement automatisé

Dette technique en développement logiciel

Dette technique ou dette de conception :

  • Coût des reprises causées par une conception déficiente

Image de deux ingénieurs devant une maison mal conçue. L'un dit à l'autre : « Je ne comprends pas pourquoi ça prend autant de temps pour ajouter une nouvelle fenêtre. »

1 https://vincentdnl.com/drawings/
MLOps entièrement automatisé

Dette technique cachée dans les systèmes ML

Machine Learning : « La carte de crédit à intérêt élevé de la dette technique »[1].

La dette technique cachée peut être liée à :

  1. Les données utilisées pour entraîner les modèles ML
  2. Les modèles qui alimentent le système ML
  3. L'infrastructure utilisée par le système ML
  4. La supervision du système ML
1 https://research.google/pubs/pub43146/
MLOps entièrement automatisé

Coûts des projets de Machine Learning

Profit réduit en raison de la dette technique dans les systèmes ML : $$ $$

Image montrant deux figures avec une courbe chacune. Dans la première, un revenu estimé de 25 M$ est calculé. Dans la seconde, ce revenu est réduit à 10 M$.

MLOps entièrement automatisé

La carte de crédit à intérêt élevé de la dette technique

Les systèmes ML peuvent être complexes et devenir difficiles à gérer.

Image montrant les nombreux composants d'un système ML. Le code ML est un petit élément au centre. Autour : configuration, collecte de données, validation des données, gestion des ressources machines, infrastructure de diffusion, supervision, outils d'analyse, outils de gestion des processus, extraction de caractéristiques.

MLOps entièrement automatisé

MLOps : la meilleure façon connue de payer

Si le ML est la carte de crédit à intérêt élevé de la dette technique, les MLOps sont la meilleure façon de la rembourser.

Les MLOps peuvent inclure :

  • Tests automatisés
  • Suivi automatisé des expériences
  • Supervision automatisée

Pour limiter au minimum la dette technique

MLOps entièrement automatisé

Passons à la pratique !

MLOps entièrement automatisé

Preparing Video For Download...