Différents pipelines

Dans la leçon précédente, vous avez appris ce qu'est le pipeline de construction en ML et en quoi il diffère du pipeline de construction DevOps classique.

Comme « pipeline » est un terme générique très fréquent pour décrire toute séquence d'étapes automatisées, cela peut parfois prêter à confusion.

Par exemple, vous avez vu que, même s'ils portent des noms très semblables, le pipeline de modèle et le pipeline de construction du modèle sont deux choses complètement différentes.

Vous souvenez-vous encore de leurs tâches et caractéristiques les plus importantes?

Cette activité fait partie du cours

Déploiement MLOps et cycle de vie

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

Déploiement MLOps et cycle de vie

SkillTag.level.advancedSkillTag.label

4.8+

Commencer le cours gratuitement

Ce chapitre présente une vue d'ensemble des principes MLOps et des composants du cadre essentiels au déploiement et au cycle de vie.

Exercise 1: Le cadre MLOps moderne Exercise 2: Enchaînements de tâches en ML Exercise 3: Avantages de MLOps Exercise 4: Étapes du cycle de vie Exercise 5: Appli vs modèle Exercise 6: Mise hors service Exercise 7: Cycle de vie du modèle : récapitulatif Exercise 8: Composants de MLOps Exercise 9: Séquence automatisée Exercise 10: Magasins et registres Exercise 11: DevOps ou MLOps ?

Ce chapitre est consacré à toutes les considérations à prendre en compte dès la phase de développement afin d'assurer une transition fluide lorsque nous passerons aux opérations. Notre objectif ultime est d'expliquer comment entraîner le modèle en appliquant les meilleures pratiques MLOps et de créer un paquet de modèle qui facilite un déploiement sans heurts, la reproductibilité et la surveillance après le déploiement.

Exercise 1: Développement axé sur le déploiement Exercise 2: Tester votre modèle de machine learning Exercise 3: Meilleur moment pour commencer le déploiement Exercise 4: Profilage, gestion des versions et magasins de caractéristiques Exercise 5: Propriétés d'un feature store Exercise 6: Avantages du profilage et des magasins de caractéristiques Exercise 7: Assurer la reproductibilité Exercise 8: Pipelines de création de modèles en CI/CD Exercise 9: Différents pipelines

Exercice en cours

Exercise 10: Propriétés du pipeline de construction du modèle Exercise 11: Intégration CI/CD Exercise 12: Emballage du modèle Exercise 13: Formats de modèles Exercise 14: Forfait complet

Ce chapitre aborde des questions opérationnelles cruciales pour les modèles, telles que : - Quelles sont les différentes façons de servir nos modèles ? - Qu'est-ce qu'une API et quelles en sont les principales fonctionnalités ? - Comment tester rigoureusement notre service avant de le rendre accessible aux utilisateurs finaux ? - Comment mettre à jour des modèles en production sans perturber le service ? Vous apprendrez la prédiction par lot, la prédiction en temps réel, la validation des données d'entrée et de sortie, les tests unitaires, les tests d'intégration, le déploiement canari, et bien plus.

Exercise 1: Modes de service Exercise 2: Hors ligne ou en ligne?Exercise 3: Quand le temps compte — un peu Exercise 4: Créer l'API Exercise 5: Client-serveur Exercise 6: Fonctionnalités de l'API Exercise 7: Progression du déploiement et tests Exercise 8: De quel test s'agit-il?Exercise 9: Progression à travers les environnements Exercise 10: Tests par environnement Exercise 11: Stratégies de déploiement de modèles Exercise 12: Une stratégie de déploiement adaptée Exercise 13: Ordre de risque Exercise 14: L'ombre de l'ombre

Ce dernier chapitre est consacré à la surveillance et à la maintenance des services ML après leur déploiement, ainsi qu'à la gouvernance des modèles. Vous aborderez des notions clés comme la latence de vérification, le déplacement des covariables, la dérive de concept, les systèmes avec humain dans la boucle, et plus encore.

Exercise 1: Surveiller les services de ML Exercise 2: Shift vs drift Exercise 3: Latence Exercise 4: Déjà?Exercise 5: Surveillance et alertes Exercise 6: Le système de suivi Exercise 7: Alerter Exercise 8: Maintenance du modèle Exercise 9: Axé sur les données vs axé sur le modèle Exercise 10: Humain dans la boucle Exercise 11: Gouvernance des modèles Exercise 12: Éléments de gouvernance Exercise 13: Étapes de la gouvernance Exercise 14: Classification des risques Exercise 15: En résumé