Vous découvrirez d’abord les caractéristiques essentielles de l’MLOps. Vous explorerez le cycle de vie du Machine Learning, ses phases et les rôles associés aux processus d’MLOps.

Qu'est-ce que le MLOps ?

Expliquer MLOps

Principes MLOps

Différentes phases en MLOps

Le cycle de vie du ML

Tâches par phase

Rôles en MLOps

Votre équipe MLOps

Rôles clés dans les processus MLOps

Introduction à l’MLOps

Ensuite, vous verrez la phase de conception et de développement dans le cycle de vie du Machine Learning. Vous explorerez l’estimation de la valeur ajoutée, la qualité des données, les magasins de caractéristiques et le suivi des expériences.

Conception MLOps

Repérer les exigences d'affaires

Mesures clés

Qualité des données et ingestion

Évaluer la qualité des données

Dimensions de la qualité des données

Ingénierie des caractéristiques

Améliorer la performance du modèle

Donner un coup de main à un ami

Suivi des expériences

Que peut-on suivre?

Ignorer le suivi des expériences

Conception et développement

Dans ce chapitre, vous approfondirez les concepts liés au déploiement du Machine Learning en production, comme les environnements d’exécution, la conteneurisation, les chaînes CI/CD et les stratégies de déploiement.

Préparer le modèle pour la mise en production

Environnements d'exécution

Conteneuriser ou ne pas conteneuriser

Architecture de déploiement de Machine Learning

Microservice

Processus d'une requête API

Flux de données d'une API

CI/CD et stratégie de déploiement

Pipelines CI/CD

Options

Déploiement de base

Déploiement « shadow »

Déploiement canari

Stratégies de déploiement

Automatisation et mise à l'échelle

Conteneurisation

Pipeline CI/CD

Comment les composants automatisent et font passer à l'échelle

Composants MLOps

Déployer le Machine Learning en production

Enfin, vous apprendrez à maintenir le Machine Learning en production, avec des notions comme la surveillance statistique et computationnelle, le réentraînement, les différents niveaux de maturité de l’MLOps et les outils pouvant être utilisés dans le cycle de vie du Machine Learning pour simplifier les processus.

Surveiller les modèles de Machine Learning

Surveillance du machine learning

Surveillance statistique vs. informatique

Réentraîner un modèle de Machine Learning

Exemples de drift

Réentraînement

Niveaux de maturité en MLOps

Niveaux de maturité MLOps

Outils MLOps

Utiliser un outil

Choisir le bon outil

Récapitulatif : concepts de MLOps

Maintenir le Machine Learning en production

Course Glossary

Comprendre les opérations de Machine Learning (MLOps) est essentiel pour toute personne en science des données, en ingénierie ou en gestion qui souhaite faire passer des modèles de Machine Learning d’un carnet local à un modèle fonctionnel en production. Ce cours vous présente les principaux processus, phases et niveaux de l’MLOps, dont la conception, le développement, le déploiement et la surveillance. Vous verrez comment l’automatisation permet aux organisations de lancer, suivre et mettre à jour efficacement leurs modèles de Machine Learning.

Les vidéos incluent des transcriptions en direct que vous pouvez afficher en cliquant sur « Show transcript » au bas à gauche des vidéos.									
Le glossaire du cours se trouve à droite, dans la section des ressources.				
					
Pour obtenir des unités de formation professionnelle (CPE), vous devez terminer le cours et obtenir une note de 70 % à l’évaluation admissible. Vous pouvez accéder à l’évaluation en cliquant sur l’encadré des crédits CPE à droite.									

<h2>Découvrez les opérations d’apprentissage automatique (MLOps)</h2>
Il est essentiel pour tout expert en science des données, ingénieur ou responsable de comprendre les opérations d'apprentissage automatique (MLOps) afin de faire passer les modèles d'apprentissage automatique d'un ordinateur portable local à un modèle fonctionnel en production.
<br><br>
Dans ce cours, vous apprendrez ce qu’est le MLOps, comprendrez les différentes phases des processus MLOps et identifierez les différents niveaux de maturité du MLOps. Après avoir appris les concepts essentiels du MLOps, vous serez bien outillé dans votre parcours pour mettre en œuvre le machine learning de façon continue, fiable et efficace.
<br><br>
<h2>Découvrez comment l’apprentissage automatique peut être mis à l’échelle et automatisé</h2>
Comment pouvons-nous faire évoluer nos projets d’apprentissage automatique en utilisant un minimum de temps et de ressources ? Et comment pouvons-nous automatiser nos processus afin de réduire le besoin d’intervention manuelle et d’améliorer les performances des modèles ? Ce sont des questions fondamentales en apprentissage automatique auxquelles le MLOps apporte des réponses.
<br><br>
Dans ce cours sur le MLOps, vous commencerez par explorer les bases du MLOps, en examinant les fonctionnalités essentielles et les rôles associés. Ensuite, vous explorerez plus en détail les différentes phases du cycle de vie de l’apprentissage automatique.
<br><br>
Au fur et à mesure de votre progression, vous découvrirez aussi des systèmes et des outils pour mieux faire évoluer et automatiser les opérations de machine learning, notamment les feature stores, le suivi des expériences, les pipelines CI/CD, les microservices et la conteneurisation. Vous explorerez les concepts clés du MLOps, ce qui vous permettra de mieux comprendre leurs applications.

Understanding Machine Learning

Understanding Data Engineering

Découvrez comment MLOps transforme des modèles locaux en solutions en production générant de la valeur.

Concepts d’MLOps

Ingénieur IA associé pour scientifiques des données

Ingénieur en apprentissage automatique

Apprentissage automatique en production en Python

Fondamentaux du MLOps

Vous et votre collègue explorez différents paramètres pour un certain algorithme afin de voir ce qui fonctionne le mieux.

Vous voulez repérer et consigner quel algorithme fonctionne le mieux sur ces données selon plusieurs configurations.

Nous recevons davantage de demandes pour prédire l'attrition de la clientèle et nous devons exécuter plusieurs fois les mêmes applications.

Plusieurs personnes travaillent sur la même application dans des environnements d'exécution différents.

Chaque fois que nous développons et déployons du nouveau code, nous devons refaire les mêmes tâches répétitives.

Plusieurs personnes veulent travailler sur le même code.

Comment les composants automatisent et font passer à l'échelle

Concepts d’MLOps

Exercice interactif pratique