Surveillance, réentraînement et remplacement des applications MLOps

MLOps pour les affaires

Arne Jonas Warnke

Head of Emerging Curriculum

Exploiter des modèles d'apprentissage automatique

$$ Les étapes de la phase d'exploitation

Pré-déploiement

$$ Phase pré-déploiement

Pré-déploiement

Assurer des résultats identiques partout
- Inclut la contention
Vérifications additionnelles
- Sécurité

$$

Souvent la tâche de la ou du

ingénieur logiciel ou ingénieur en apprentissage automatique

$$

Des conteneurs dans un port

Déployer l'application MLOps

$$ Phase de déploiement

Déployer l'application MLOps

Déploiement (via CI/CD)

Largement automatisé
Comporte différents tests (automatisés)
Permet d'annuler rapidement des changements

$$

Là encore, souvent la tâche de la ou du

ingénieur logiciel ou ingénieur en apprentissage automatique

$$

Une femme reçoit sa livraison de repas

Surveiller l'application MLOps

Phase de surveillance

Surveiller l'application MLOps

Le modèle est en production et

Génère de la valeur d'affaires
Les pannes et problèmes coûtent cher
Doit être étroitement surveillé
- Largement automatisé

Si le modèle échoue

Différentes personnes peuvent devoir intervenir

Sachez que la qualité du modèle se dégrade avec le temps.

$$

Une salle de contrôle futuriste

Réentraîner les modèles d'apprentissage automatique

Phase de réentraînement

Réentraîner les modèles d'apprentissage automatique

La performance du modèle se dégrade souvent

Changements économiques
Préférences des clients qui évoluent

Il faut donc réentraîner les modèles régulièrement

Peut être en partie automatisé

Tâche principale de la ou du

data scientist / ingénieur en apprentissage automatique

$$

Une image d'un cercle

Passons à la pratique !

MLOps pour les affaires

Preparing Video For Download...