First, you’ll learn about the core features of MLOps. You’ll explore the machine learning lifecycle, its phases, and the roles associated with MLOps processes.

What is MLOps?

Explaining MLOps

MLOps principles

Different phases in MLOps

The ML lifecycle

Tasks per phase

Roles in MLOps

Your MLOps team

Core roles in MLOps processes

Introduction to MLOps

Next, you’ll learn about the design and development phase in the machine learning lifecycle. You’ll explore added value estimation, data quality, feature stores, and experiment tracking.

MLOps design

Identifying business requirements

Key metrics

Data quality and ingestion

Determining data quality

Data quality dimensions

Feature engineering

Improving model performance

Helping a friend

Experiment tracking

What can we track?

Skipping experiment tracking

Design and Development

In this chapter, you’ll dive into the concepts relevant to deploying machine learning into production, such as runtime environments, containerization, CI/CD pipelines, and deployment strategies.

Préparation du modèle pour le déploiement

Environnements d'exécution

Utiliser ou ne pas utiliser des conteneurs

Architecture de déploiement du machine learning

Microservice

Processus de demande d'API

Flux de données API

Stratégie de CI/CD et de déploiement

Pipelines CI/CD

Options

Déploiement de base

Déploiement en arrière-plan

Déploiement canari

Stratégies de déploiement

Automatisation et mise à l'échelle

Suivi des expériences

Conteneurisation

CI/CD pipeline

Comment les composants automatisent et évoluent

Composants MLOps

Deploying Machine Learning into Production

Finally, you’ll learn about maintaining machine learning in production, with concepts such as statistical and computational monitoring, retraining, different levels of MLOps maturity, and tools that can be used within the machine learning lifecycle to simplify processes.

Monitoring machine learning models

Machine learning monitoring

Statistical vs. computational monitoring

Retraining a machine learning model

Examples of drift

Retraining

Levels of MLOps maturity

MLOps maturity

MLOps maturity levels

MLOps tools

Using a tool

Pick the right tool

Recap: MLOps concepts

Maintaining Machine Learning in Production

Course Glossary

Il est essentiel pour tout data scientist, ingénieur ou responsable de comprendre les opérations de machine learning<b> </b>(MLOps) afin de faire passer les modèles de machine learning d'un ordinateur portable local à un modèle fonctionnel en production. Ce cours vous présente les processus, phases et niveaux clés du MLOps, notamment la conception, le développement, le déploiement et la surveillance. Vous découvrirez comment l'automatisation permet aux organisations de lancer, surveiller et mettre à jour efficacement leurs modèles de machine learning.

<h2>Découvrez les opérations d'apprentissage automatique (MLOps)</h2>
La compréhension des concepts MLOps est essentielle pour tout scientifique, ingénieur ou dirigeant de données afin de faire passer les modèles d'apprentissage automatique d'un bloc-notes local à un modèle fonctionnel en production.
<br><br>
Dans ce cours, vous apprendrez ce qu'est le MLOps, vous comprendrez les différentes phases des processus MLOps et vous identifierez les différents niveaux de maturité du MLOps. Après avoir découvert les concepts essentiels de MLOps, vous serez bien équipé pour mettre en œuvre l'apprentissage automatique de manière continue, fiable et efficace.
<br><br>
<h2>Découvrez comment l'apprentissage automatique peut être mis à l'échelle et automatisé</h2>
Comment faire évoluer nos projets d'apprentissage automatique en utilisant un minimum de temps et de ressources ? Et comment pouvons-nous automatiser nos processus pour réduire le besoin d'interventions manuelles et améliorer la performance des modèles ? Ce sont des questions fondamentales sur l'apprentissage automatique auxquelles MLOps apporte des réponses.
<br><br>
Dans ce cours MLOps, vous commencerez par explorer les bases de MLOps, en examinant les caractéristiques principales et les rôles associés. Ensuite, vous explorerez plus en détail les différentes phases du cycle de vie de l'apprentissage automatique.
<br><br>
Au fur et à mesure de votre progression, vous découvrirez également des systèmes et des outils permettant de mieux mettre à l'échelle et d'automatiser les opérations d'apprentissage automatique, notamment les magasins de fonctionnalités, le suivi des expériences, les pipelines CI/CD, les microservices et la conteneurisation. Vous explorerez les concepts clés de MLOps, ce qui vous permettra de mieux comprendre leurs applications.

Understanding Machine Learning

Understanding Data Engineering

Découvrez comment MLOps transforme des modèles en production, apportant une réelle valeur commerciale.

Concepts MLOps

Découvrez comment les MLOps permettent de passer des notebooks locaux aux modèles machine learning déployés en production, générant une vraie valeur.

Ingénieur IA associé pour les scientifiques de données

Ingénieur en apprentissage automatique

L'apprentissage automatique en production en Python

Principes de base des MLOps

Aucun test intermédiaire n'est nécessaire. Il suffit de remplacer l'ancien modèle par le nouveau.

Comparez le nouveau modèle au modèle publié à l'aide des mêmes données.

Les modèles fonctionnent entièrement en parallèle, le nouveau modèle étant masqué au public.

Déployez progressivement le nouveau modèle auprès d'un petit groupe d'utilisateurs.

Le nouveau modèle n'est pas utilisé par tous les utilisateurs.

Stratégies de déploiement

Exercice interactif pratique