Avantages de 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 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