Quel type de déploiement est-ce ?

Dans les exercices précédents, vous avez révisé les différents types de déploiements et les stratégies de déploiement courantes en ML. Plus important encore, vous avez vu comment l’automatisation en MLOps soutient ces stratégies.

Dans cet exercice, vous allez appliquer vos connaissances pour classer une série de descriptions. Vous classerez chaque élément selon le type de déploiement décrit :

A/B testing
Blue-green deployment
Shadow deployment

Cet exercice fait partie du cours

<cours>MLOps entièrement automatisé</cours>

Exercice interactif pratique

Transformez la théorie en action avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

<cours>MLOps entièrement automatisé</cours>

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

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.

Exercise 1: Introduction aux MLOps entièrement automatisés Exercise 2: La dette technique cachée doit être remboursée Exercise 3: La dette technique cachée en ML est différente Exercise 4: Étapes du cycle de vie MLOps Exercise 5: MLOps entièrement automatisé Exercise 6: Automatiser ou ne pas automatiser…Exercise 7: Concevoir pour l’échelle Exercise 8: Architecture de référence : MLOps entièrement automatisé Exercise 9: Architectures de référence en informatique et en MLOps Exercise 10: Composants de l’architecture MLOps

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.

Exercise 1: Suivi automatisé des expériences Exercise 2: Que faut-il suivre ?Exercise 3: Le grand débat sur le suivi des expérimentations : de quel côté êtes-vous ?Exercise 4: Qu’allons-nous suivre ici ?Exercise 5: Le registre de modèles Exercise 6: Ne jetez pas le modèle par-dessus la barrière !Exercise 7: Le cycle de vie d’un modèle de ML Exercise 8: C’est un travail pour le registre de modèles !Exercise 9: Le feature store dans une architecture MLOps automatisée Exercise 10: Un avantage de l’utilisation d’un feature store Exercise 11: Les rôles du feature store Exercise 12: Le magasin de métadonnées Exercise 13: Les métadonnées en MLOps Exercise 14: Réentraînement de modèle avec le magasin de métadonnées Exercise 15: Le rôle du magasin de métadonnées dans le monitoring MLOps

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.

Exercise 1: Introduction à l’automatisation complète et aux bonnes pratiques en MLOps Exercise 2: Automatisation dans les workflows MLOps Exercise 3: Degrés d’automatisation en MLOps Exercise 4: Schéma d’automatisation, de supervision et de réponse aux incidents Exercise 5: Est-ce un patron de conception ?Exercise 6: Réentraîner, revenir en arrière ou imputer ?Exercise 7: Tests automatisés en MLOps Exercise 8: Garbage in - Garbage out… Testez vos données !Exercise 9: Tests : traditionnel vs MLOps Exercise 10: Tests : données vs. modèle vs. pipeline Exercise 11: Optimisation automatique des hyperparamètres Exercise 12: Paramètre ou hyperparamètre ?Exercise 13: Le rôle du réglage des hyperparamètres en MLOps Exercise 14: Automatiser l’ajustement des hyperparamètres

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.

Exercise 1: Orchestration en MLOps Exercise 2: Pourquoi modulariser ?Exercise 3: Orchestration : dev vs prod Exercise 4: Les DAG dans les workflows MLOps Exercise 5: Aspects d’orchestration en MLOps Exercise 6: Automatisation des stratégies de déploiement en MLOps Exercise 7: Quel type de déploiement est-ce ?

Exercice actuel

Exercise 8: Est-ce la bonne stratégie de déploiement ?Exercise 9: Assurer zéro interruption avec un déploiement blue/green Exercise 10: CI/CD/CT/CM dans un MLOps entièrement automatisé Exercise 11: Comment CI/CD/CT/CM contribue-t-il à l’MLOps ?Exercise 12: Continuous monitoring et continuous training Exercise 13: CI/CD/CT/CM en MLOps Exercise 14: Résumé