Tout d'abord, vous découvrirez les fonctionnalités principales de MLOps. Vous découvrirez le cycle de vie du machine learning, ses différentes phases et les rôles associés aux processus MLOps.

Que sont les MLOps ?

Explication du MLOps

Principes MLOps

Différentes phases des MLOps

Le cycle de vie du ML

Tâches par phase

Rôles dans les MLOps

Votre équipe MLOps

Rôles principaux dans les processus MLOps

Introduction aux MLOps

Ensuite, vous découvrirez la phase de conception et de développement dans le cycle de vie du machine learning. Vous explorerez l'estimation de la valeur ajoutée, la qualité des données, les magasins de fonctionnalités et le suivi des expériences.

Conception MLOps

Identification des besoins opérationnels

Options

Data Scientist

Expert en la matière

Partie prenante commerciale

Indicateurs clés

Qualité et intégration des données

Évaluation de la qualité des données

Précision

Exhaustivité

Cohérence

Dimensions de la qualité des données

Ingénierie des caractéristiques

Améliorer la performance du modèle

Approches d'ingénierie des caractéristiques

Assistance à un ami

Suivi des expériences

Quels éléments pouvons-nous suivre ?

Ignorer le suivi des expériences

Conception et développement

Dans ce chapitre, vous explorerez les concepts pertinents pour le déploiement du machine learning en production, tels que les environnements d'exécution, la conteneurisation, les pipelines CI/CD et les stratégies de déploiement.

Préparation du modèle pour le déploiement

Environnements d'exécution

Utiliser ou ne pas utiliser des conteneurs

Architecture de déploiement du machine learning

Microservice

Flux de données API

Stratégie de CI/CD et de déploiement

Pipelines CI/CD

Stratégies de déploiement

Automatisation et mise à l'échelle

Comment les composants automatisent et évoluent

Composants MLOps

Déploiement du machine learning en production

Enfin, vous découvrirez comment entretenir le machine learning en production, avec des concepts tels que la surveillance statistique et informatique, le réentraînement, les différents niveaux de maturité MLOps et les outils pouvant être utilisés tout au long du cycle de vie du machine learning pour simplifier les processus.

Surveillance des modèles de machine learning

Surveillance du machine learning

Surveillance statistique et surveillance informatique

Réentraînement d'un modèle de machine learning

Exemples de dérive

Réentraînement

Niveaux de maturité MLOps

Maturité MLOps

Outils MLOps

Utilisation d'un outil

Choisissez l'outil approprié

Résumé : Concepts MLOps

Maintenir le machine learning en 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

Le modèle a sous-estimé les prévisions de ventes de bananes de 120 unités par jour en moyenne.

Au cours de la semaine dernière, le modèle de machine learning a correctement classé le taux de désabonnement des clients dans 94 % des cas.

L'équipe commerciale qui utilise le modèle de machine learning est très satisfaite de la rapidité des prévisions.

Les agents du service clientèle ont été satisfaits de constater que le modèle de machine learning aide à prédire la réponse appropriée à la demande d'un client.

L'utilisation du machine learning a permis d'augmenter les revenus d'environ 58 %.

Grâce au machine learning, le travail peut désormais être effectué par trois employés au lieu de quinze, ce qui se traduit par une réduction des coûts de $2,000 par semaine.

Indicateurs clés

Exercice interactif pratique