Ce chapitre vous apportera les compétences et connaissances nécessaires pour faire passer vos modèles de Machine Learning de la phase de recherche et développement à un environnement de production. Vous apprendrez à transformer un prototype de recherche en un système fiable, évolutif et maintenable.

Adopter une mentalité MLOps

Quel est un aspect clé des MLOps ?

Qu’est-ce que la dette technique ?

Écrire du code ML maintenable

Contrôle de version

Organisation du code

Rédiger une documentation ML efficace

Pourquoi documenter les méthodes d’étiquetage ?

Options

Documentation ML

Écriture de code maintenable

Bonnes pratiques MLOps

Passer de la recherche à la production

Dans ce chapitre, vous verrez l’importance de la reproductibilité en Machine Learning et comment garantir que vos modèles restent reproductibles et fiables dans le temps. Vous explorerez différentes techniques et bonnes pratiques pour assurer la reproductibilité de vos modèles.

Concevoir des expériences reproductibles

Reproductibilité en ML

Identifier les éléments clés pour la reproductibilité et la fiabilité

Classer les éléments de fiabilité

Classer les aspects de la reproductibilité et les pratiques de documentation

Feature engineering

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

Garantir la reproductibilité

 Assurer la reproductibilité

Dans le chapitre 3, vous examinerez les défis liés au déploiement de modèles de Machine Learning en production. Vous découvrirez différentes approches de déploiement de modèles de ML en production ainsi que des stratégies pour surveiller et maintenir des modèles de ML en production.

Emballer des modèles de Machine Learning

Objectif de la sérialisation et de la conteneurisation

Ordonnancement du packaging du modèle

Scalabilité

Mise à l’échelle

Complexité du modèle

Catégoriser les techniques de mise à l’échelle

Automatisation

Avantages de la livraison continue

Étapes CI/CD

Mettre des modèles de Machine Learning en production

Le ML en environnement de production

Dans le chapitre final, vous apprendrez les différentes manières de tester des pipelines de Machine Learning et de vérifier qu’ils se comportent comme prévu. Vous verrez pourquoi il est essentiel de tester les pipelines de ML et découvrirez des techniques pour les tester et les valider.

Fiabilité du modèle

Catégoriser les stratégies de test pour la disponibilité et la désuétude d’un pipeline de ML

Gérer l’obsolescence des modèles dans les pipelines de Machine Learning

Tester les données

Choisir le bon test

Vérification de cohérence

Tester les modèles

Prédire la valeur vie client

Classifier l’équité

Tester des pipelines de Machine Learning

Félicitations !

Tester des pipelines de ML

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

Data Scientist, Entrepreneur, and Author

Writing effective ML documentation

The components of excellent ML documentation

Documenting data sources

Data schemas

Labeling methods (for classification)

Model pseudocode

Model experimentation + selection

Training environments

Let's practice!

Passer de la recherche à la production - Rédiger une documentation ML efficace

Rédiger une documentation ML efficace

Create Your Free Account