Rôles pendant la phase de développement

La phase de développement d'une application MLOps comprend quatre étapes : préparation des données, développement du modèle, évaluation du modèle, puis tests et vérification.

Vous êtes toujours responsable de développer le système d'alerte précoce pour Finance 2050. Votre équipe compte trois personnes : un·e data scientist, un·e ingénieur·e de données et un·e développeur·e logiciel. Vous devez maintenant répartir les tâches entre les membres du projet.

Cette activité fait partie du cours

MLOps pour les affaires

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 pour les affaires

SkillTag.level.beginnerSkillTag.label

4.9+

Commencer le cours gratuitement

Ce premier chapitre présente MLOps et explique pourquoi il est essentiel pour les entreprises qui veulent concevoir, développer et exploiter plusieurs applications de machine learning en parallèle. Vous y découvrirez les principaux éléments de MLOps, comme la mise à l'échelle et l'automatisation, ses avantages, ainsi que les raisons pour lesquelles MLOps demeure exigeant. Vous verrez aussi ce qu'il faut pour amorcer votre parcours MLOps, tant du point de vue technologique que de la gestion.

Exercise 1: Qu'est-ce que le MLOps ?Exercise 2: MLOps : un ensemble de pratiques pour...Exercise 3: Quelles sont les caractéristiques de MLOps?Exercise 4: Les arguments d'affaires en faveur de MLOps Exercise 5: Champs MLOps pertinents Exercise 6: Comment investir dans MLOps Exercise 7: Raisons d'investir dans MLOps Exercise 8: Jeter les bases de MLOps Exercise 9: Membres de l'équipe MLOps Exercise 10: Prérequis du MLOps Exercise 11: Éléments de MLOps

Dans le deuxième chapitre, vous parcourrez l'ensemble du cycle de vie MLOps, de la conception au développement, au déploiement et aux opérations. Vous verrez pourquoi la surveillance est essentielle pour des applications de machine learning performantes et pourquoi il faut réentraîner les modèles de machine learning régulièrement.

Exercise 1: MLOps expliqué de bout en bout Exercise 2: Dix étapes importantes du cycle de vie MLOps Exercise 3: Les principales étapes d'une application MLOps Exercise 4: Tâches clés aux principales étapes de MLOps Exercise 5: La phase de conception Exercise 6: Reporter des tâches de la phase de conception Exercise 7: Plan gagnant : concevoir votre projet MLOps Exercise 8: La phase de développement Exercise 9: Tâches de développement Exercise 10: Rôles pendant la phase de développement

Exercice en cours

Exercise 11: Surveillance, réentraînement et remplacement des applications MLOps Exercise 12: Caractéristiques du cycle de vie MLOps Exercise 13: Responsabilités individuelles dans le développement d'un cas d'usage MLOps Exercise 14: Le cycle de vie MLOps

Dans le troisième chapitre, vous passerez de la théorie à la pratique et découvrirez les principaux défis et risques liés au déploiement de modèles de machine learning. Vous apprendrez également comment les équipes MLOps opèrent avec succès et ce que la direction peut faire pour favoriser une mise à l'échelle réussie du machine learning.

Exercise 1: Défis d'affaires et risques liés à l'MLOps Exercise 2: Qu'est-ce qui rend le MLOps difficile?Exercise 3: Logiciels traditionnels vs MLOps Exercise 4: Risques d'affaires potentiels liés à MLOps Exercise 5: Comment les équipes MLOps fonctionnent efficacement Exercise 6: Équipes de type DevOps Exercise 7: Défis liés à la mise en place du MLOps Exercise 8: L'état actuel de MLOps Exercise 9: Une affirmation fausse au sujet du MLOps Exercise 10: Pourquoi MLOps est un défi

Le dernier chapitre vous montrera comment lancer avec succès l'initiative MLOps de votre organisation en présentant les pratiques exemplaires et les écueils à éviter. Enfin, vous examinerez les différents niveaux de maturité MLOps et terminerez le cours par une étude de cas réelle sur la conception, le développement et l'exploitation d'une application de machine learning pour des processus de production critiques.

Exercise 1: Comment les entreprises peuvent devenir pleinement prêtes pour lʼMLOps Exercise 2: KPIs MLOps valides Exercise 3: Ordonner la maturité du déploiement Exercise 4: Maturité en MLOps Exercise 5: Bonnes pratiques et pièges de l'MLOps Exercise 6: Que devons-nous tester?Exercise 7: (Pas) Une pratique exemplaire Exercise 8: Étude de cas MLOps : augmenter les profits grâce à MLOps Exercise 9: Points clés de l'étude de cas Exercise 10: Conclusion