or
Cet exercice fait partie du cours
Dans ce premier chapitre, nous montrons l’intérêt du MLOps en contexte industriel. Vous découvrirez son rôle clé pour soutenir la création de valeur dans les entreprises. Vous reverrez aussi les étapes du ML, en mettant l’accent sur la manière dont le MLOps les améliore. À la fin du chapitre, vous explorerez une architecture de référence pour un système MLOps entièrement automatisé. Vous utiliserez ensuite cette architecture pour passer en revue les composants importants de tout système MLOps et poser les bases pour le reste du cours.
Dans ce chapitre, vous poursuivrez votre exploration des composants essentiels qui composent un système MLOps entièrement automatisé. Vous commencerez par examiner l’importance de l’orchestration en MLOps et comment elle contribue à garantir l’efficacité et l’évolutivité des pipelines de ML. Ensuite, vous étudierez les différentes stratégies de déploiement en MLOps et apprendrez à choisir celle qui convient le mieux à votre système. Enfin, vous verrez CI/CD/CT/CM et comment ces pratiques complètent l’orchestration et les bonnes pratiques pour atteindre une automatisation complète dans les systèmes MLOps. Avec ces enseignements, vous serez mieux armé pour construire un système MLOps entièrement automatisé, efficace, précis et fiable.
Dans ce chapitre, vous plongerez dans le monde passionnant de l’automatisation et apprendrez à concevoir des systèmes de ML plus résilients et plus performants. Vous commencerez par comprendre les fondamentaux de l’automatisation dans les systèmes MLOps, puis découvrirez la puissance des modèles de conception et des mécanismes de repli sécurisés. Vous apprendrez également à mettre en place des tests automatisés dans les systèmes MLOps et à utiliser l’ajustement d’hyperparamètres pour optimiser vos modèles et vos workflows. À la fin de ce chapitre, vous disposerez des compétences et connaissances nécessaires pour construire et gérer des systèmes MLOps entièrement automatisés, à la fois efficaces et fiables.
Dans ce dernier chapitre, vous étudierez les composants clés d’une architecture MLOps automatisée. De l’expérimentation automatisée et du registry de modèles à l’exploration du feature store et du rôle du metadata store, ce chapitre vise à vous donner une compréhension complète des subtilités d’un système MLOps entièrement automatisé. Que vous soyez un praticien du ML confirmé ou que vous débutiez, ce chapitre vous apportera les connaissances et compétences nécessaires pour concevoir des workflows MLOps automatisés.
Exercice en cours