or
Cette activité fait partie du cours
Dans ce premier chapitre, nous justifions l'utilisation de MLOps en contexte industriel. Vous apprendrez son importance pour soutenir la création de valeur en entreprise. Vous reverrez aussi les étapes du ML, en mettant l'accent sur la façon dont MLOps les bonifie. À la fin du chapitre, vous explorerez une architecture de référence pour un système MLOps entièrement automatisé. Vous utiliserez ensuite cette architecture pour examiner les composants importants de tout système MLOps et comme point de départ pour le reste du cours.
Dans ce chapitre, vous poursuivrez votre exploration des composants essentiels qui composent un système MLOps entièrement automatisé. Vous commencerez par examiner l'importance de l'orchestration en MLOps et comment elle contribue à assurer l'efficacité et l'évolutivité des pipelines de ML. Ensuite, vous passerez en revue différentes stratégies de déploiement en MLOps et apprendrez à choisir la bonne stratégie pour votre système. Enfin, vous étudierez CI/CD/CT/CM et verrez comment ces pratiques complètent l'orchestration et les meilleures pratiques pour atteindre une automatisation complète des systèmes MLOps. Avec ces apprentissages, vous serez mieux outillé pour bâtir un système MLOps entièrement automatisé, efficace, précis et fiable.
Dans ce chapitre, vous plongerez dans l'univers stimulant de l'automatisation et apprendrez à concevoir des systèmes de ML plus résilients et efficaces. Vous commencerez par comprendre les bases de l'automatisation dans les systèmes MLOps, puis découvrirez la puissance des patrons de conception et des mécanismes à sécurité intégrée. Vous apprendrez aussi à mettre en place des tests automatisés dans les systèmes MLOps et à utiliser l'optimisation d'hyperparamètres pour améliorer vos modèles et vos flux de travail. À la fin de ce chapitre, vous aurez les compétences et les connaissances nécessaires pour créer et gérer des systèmes MLOps entièrement automatisés, à la fois performants et fiables.
Dans ce dernier chapitre, vous approfondirez les composants clés d'une architecture MLOps automatisée. De la compréhension du suivi automatisé des expériences et du registre des modèles à l'exploration du magasin de caractéristiques et du rôle du magasin de métadonnées, ce chapitre vise à vous donner une compréhension complète des subtilités d'un système MLOps entièrement automatisé. Que vous soyez un praticien du ML chevronné ou que vous débutiez, ce chapitre vous apportera les connaissances et les habiletés nécessaires pour concevoir des flux de travaux MLOps automatisés.
Exercice en cours