Métadonnées en MLOps

Dans la vidéo précédente, vous avez appris la définition des métadonnées : l'information sur l'exécution des différents composants d'un pipeline de ML.

Dans cet exercice, vous choisirez l'option qui contient des exemples de métadonnées.

Un pipeline de Machine Learning est présenté. Le pipeline comprend les étapes suivantes : extraction des données, validation des données, entraînement du modèle, évaluation du modèle et validation du modèle.

Cette activité fait partie du cours

MLOps entièrement automatisé

Voir le cours

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

MLOps entièrement automatisé

SkillTag.level.intermediateSkillTag.label

4.8+

373 reviews

Commencer le cours gratuitement

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.

Exercise 1: Introduction aux MLOps entièrement automatisés Exercise 2: La dette technique cachée doit être remboursée Exercise 3: La dette technique cachée en ML est différente Exercise 4: Étapes du cycle de vie MLOps Exercise 5: MLOps entièrement automatisé Exercise 6: Automatiser ou ne pas automatiser...Exercise 7: Concevoir pour l'échelle Exercise 8: Architecture de référence : MLOps entièrement automatisé Exercise 9: Architectures de référence en TI et en MLOps Exercise 10: Composants de l'architecture MLOps

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.

Exercise 1: Suivi automatisé des expériences Exercise 2: Quoi devrions-nous suivre?Exercise 3: Le grand débat sur le suivi des expériences : de quel côté êtes-vous ?Exercise 4: Qu'est-ce qu'on suit ici?Exercise 5: Le registre de modèles Exercise 6: Ne jetez pas le modèle par‑dessus la clôture!Exercise 7: Le cycle de vie d'un modèle de ML Exercise 8: C'est un travail pour le registre de modèles !Exercise 9: Le magasin de caractéristiques dans une architecture MLOps automatisée Exercise 10: Un avantage d'utiliser un magasin de caractéristiques Exercise 11: Les rôles du feature store Exercise 12: L'entrepôt de métadonnées Exercise 13: Métadonnées en MLOps

Exercice en cours

Exercise 14: Réentraînement de modèle avec le magasin de métadonnées Exercise 15: Le rôle de l'entrepôt de métadonnées dans la surveillance en MLOps

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.

Exercise 1: Introduction à l'automatisation complète et aux meilleures pratiques en MLOps Exercise 2: Automatisation dans les flux de travail MLOps Exercise 3: Degrés d'automatisation en MLOps Exercise 4: Le modèle d'automatisation, de surveillance et d'intervention en cas d'incident Exercise 5: Est-ce un patron de conception?Exercise 6: Réentraîner, rétablir ou imputer?Exercise 7: Tests automatisés en MLOps Exercise 8: Garbage in - Garbage out… appliquez des tests de données!Exercise 9: Tests : traditionnels vs MLOps Exercise 10: Tests : données vs modèle vs pipeline Exercise 11: Ajustement automatisé des hyperparamètres Exercise 12: Paramètre ou hyperparamètre ?Exercise 13: Le rôle de l'optimisation des hyperparamètres en MLOps Exercise 14: Automatiser l'ajustement des hyperparamètres

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.

Exercise 1: Orchestration en MLOps Exercise 2: Pourquoi modulariser?Exercise 3: Orchestration : dev vs prod Exercise 4: Les DAG dans les flux de travaux MLOps Exercise 5: Aspects d'orchestration en MLOps Exercise 6: Automatisation des stratégies de déploiement en MLOps Exercise 7: De quel type de déploiement s'agit-il ?Exercise 8: Est-ce la bonne stratégie de déploiement?Exercise 9: Assurer zéro interruption avec un déploiement bleu/vert Exercise 10: CI/CD/CT/CM dans un MLOps entièrement automatisé Exercise 11: En quoi CI/CD/CT/CM contribue-t-il à MLOps?Exercise 12: Surveillance continue et entraînement continu Exercise 13: CI/CD/CT/CM en MLOps Exercise 14: Résumé