This chapter will provide you with the skills and knowledge needed to move your machine learning models from the research and development phase into a production environment. You will learn about the process of moving from a research prototype to a reliable, scalable, and maintainable system.

Adopting an MLOps mindset

What is a key aspect of MLOps?

What is technical debt?

Writing maintainable ML code

Version control

Code organization

Writing effective ML documentation

Why document labeling methods?

MLOps best practices

Moving from Research to Production

In this chapter, you’ll learn about the importance of reproducibility in machine learning, and how to ensure that your models remain reproducible and reliable over time. You’ll explore various techniques and best practices that you can use to ensure the reproducibility of your models.

Concevoir des expériences reproductibles

Reproductibilité en ML

Identifier les éléments clés pour la reproductibilité et la fiabilité

Options

Outils et bonnes pratiques pour la fiabilité

Bénéfices de la fiabilité

Classer les éléments de fiabilité

Aspects de la reproductibilité

Pratiques de documentation

Classer les aspects de la reproductibilité et les pratiques de documentation

Feature engineering

Techniques de préparation des données

Objectifs de l’ingénierie des features

Classer objectifs et techniques d’ingénierie des features

Identifier les techniques de manipulation et de transformation des données

Sélection de variables

Versionnage des données et des modèles

Model store

Versionnage des données d’entraînement

Versionnage des modèles/données

Conception d’expériences

Garantir la reproductibilité

 Ensuring Reproducibility

In Chapter 3, you’ll examine the various challenges associated with deploying machine learning models into production environments. You’ll learn about the various approaches to deploying ML models in production and strategies for monitoring and maintaining ML models in production.

Packaging ML models

Goal of serialization and containerization

Model packaging order

Scalability

Scaling

Model complexity

Categorizing scaling techniques

Automation

Benefits of continuous delivery

CI/CD steps

Putting ML models into production

ML in Production Environments

In the final chapter, you’ll learn about the various ways to test machine learning pipelines and ensure they perform as expected. You’ll discover the importance of testing ML pipelines and learn techniques for testing and validating ML pipelines.

Model reliability

Categorizing Testing Strategies for ML Pipeline Readiness and Staleness

Addressing Model Staleness in Machine Learning Pipelines

Testing data

Picking the right test

Consistency check

Testing models

Predicting customer lifetime value

Classifying fairness

Testing machine learning pipelines

Congratulations!

Testing ML Pipelines

La plupart des contenus consacrés aujourd’hui au Machine Learning mettent l’accent sur l’entraînement des modèles et l’ajustement des hyperparamètres, mais 90 % des modèles expérimentaux n’atteignent jamais la production, principalement parce qu’ils n’ont pas été conçus pour durer. Dans ce cours, vous verrez comment passer d’un état d’esprit d’ingénierie de Machine Learning à une approche MLOps (Machine Learning Operations) vous permettra d’entraîner, documenter, maintenir et faire évoluer vos modèles à leur plein potentiel.

La plupart des contenus actuels liés à l'apprentissage automatique se concentrent sur la formation des modèles et le réglage des paramètres, mais 90 % des modèles expérimentaux ne sont jamais mis en production, principalement parce qu'ils n'ont pas été conçus pour durer. Dans ce cours, vous découvrirez comment passer d'une approche axée sur l'ingénierie du machine learning à une approche axée sur les MLOps (Machine Learning Operations) vous permettra de former, documenter, maintenir et adapter vos modèles afin d'exploiter pleinement leur potentiel.
Expérimentez et documentez avec facilité
L'expérimentation de modèles d'apprentissage automatique est souvent enrichissante, mais peut s'avérer chronophage. Ici, vous apprendrez à concevoir des expériences reproductibles afin d'accélérer ce processus tout en rédigeant de la documentation pour vous-même et vos collègues, ce qui facilitera considérablement le travail futur sur le pipeline.
Développer des modèles MLOps pour la production
Vous découvrirez les meilleures pratiques en matière de packaging et de sérialisation des modèles et des environnements de production afin de garantir la pérennité des modèles.
Développez et automatisez vos pipelines ML
En tenant compte de la complexité des modèles et des données ainsi que de l'automatisation continue, vous pouvez garantir que vos modèles seront adaptés à une utilisation en production et pourront être surveillés et déployés en un clin d'œil.

Une fois ce cours terminé, vous serez en mesure de concevoir et de développer des modèles d'apprentissage automatique prêts à être mis en production et de les améliorer continuellement au fil du temps.

MLOps Concepts

Supervised Learning with scikit-learn

Adoptez une approche MLOps pour optimiser la formation, la documentation et l'évolutivité des modèles ML.

Développer des modèles de Machine Learning pour la production

Principes de base des MLOps

Identifier les techniques de manipulation et de transformation des données

Exercice interactif pratique