This chapter gives a high-level overview of MLOps principles and framework components important for deployment and life cycling.

Le cadre MLOps moderne

Options

Développement Machine Learning (ML)

Opérations

Workflows ML

Les bénéfices de MLOps

Étapes du cycle de vie

Modèle de ML

Application de ML

Application vs. modèle

Mise hors service

Cycle de vie MLOps

Cycle de vie du modèle : récapitulatif

Composants MLOps

Séquence automatisée

Feature store

Metadata store

Model registry

Stores et registres

MLOps + DevOps

MLOps uniquement

DevOps ou MLOps ?

MLOps in a Nutshell

This chapter is dedicated to all the considerations we need to make already in the development phase, in order to ensure a smooth ride when we reach the operations.

Our ultimate goal is to explain how to train the model using MLOps best practices and build a model package that enables smooth deployment, reproducibility and post-deployment monitoring.

Deployment-driven development

Testing your machine learning model

Best time to start deploying

Profiling, versioning, and feature stores

Feature store properties

Profiling and feature store benefits

Ensuring reproducibility

Model build pipelines in CI/CD

Different pipelines

Model build pipeline properties

CI/CD integration

Model packaging

Model formats

Full package

Develop for Deployment

This chapter deals with critical model operations questions such as:
- What are the different ways in which we can serve our models?
- What is an API, and what are its key functionalities?
- How do we thoroughly test our service before making it available to the end users?
- How do we update models in production without service disturbance?

You will learn about batch prediction, real-time prediction, input and output data validation, unit testing, integration testing, canary deployment, and much more.

Serving modes

Offline or online?

When time matters - a bit

Building the API

Client-server

API functionalities

Deployment progression and testing

Which test is it?

Progression through environments

Tests per environment

Model deployment strategies

A fitting deployment strategy

Order of risk

Shadow of the shadow

Deploy and Run

This final chapter is dedicated to monitoring and maintaining ML services after they are deployed, as well as to model governance.

You will cover crucial concepts such as verification latency, covariate shift, concept drift, human-in-the-loop systems, and more.


Monitoring ML services

Shift vs drift

Latency

Already?

Monitoring and alerting

The monitoring system

Alerting

Model maintenance

Data-centric vs Model-centric

Human-in-the-Loop

Model governance

Elements of governance

Stages of governance

Risk classification

Wrap up

Monitor and Maintain

Explorez le cadre MLOps moderne, y compris le cycle de vie et le déploiement des modèles de Machine Learning. Dans ce cours, vous apprendrez à écrire du code ML qui limite la dette technique, à découvrir les outils nécessaires pour déployer et surveiller vos modèles, et à examiner les différents types d’environnements et d’analyses que vous rencontrerez.

Après avoir collecté, préparé et étiqueté vos données, mené de nombreuses expérimentations sur différents modèles et validé votre concept avec un modèle champion, vient l’étape suivante. Construire. Déployer. Surveiller. Maintenir. C’est le cycle de vie de votre modèle lorsqu’il est destiné à la production. C’est la partie Ops de MLOps.

Ce cours vous montrera comment aborder le deuxième chapitre du parcours de votre modèle vers la création de valeur, en posant les bases pour bien d’autres à venir.

<h2>Déploiement et cycle de vie MLOps</h2>

Découvrez le cadre MLOps moderne, y compris le cycle de vie et le déploiement des modèles d'apprentissage automatique. Dans ce cours, vous apprendrez à écrire du code ML qui minimise la dette technique, découvrirez les outils dont vous aurez besoin pour déployer et surveiller vos modèles, et examinerez les différents types d'environnements et d'analyses que vous rencontrerez.

<h2>Découvrez le cycle de vie MLOps</h2>
Une fois que vous avez collecté, préparé et étiqueté vos données, mené de nombreuses expériences sur différents modèles et validé votre concept avec un modèle champion, il est temps de passer aux étapes suivantes. Créer Déployer. Veuillez surveiller. Veuillez maintenir. Il s'agit du cycle de vie de votre modèle une fois qu'il est destiné à la production. Il s'agit de la partie « Ops » de MLOps.

Ce cours vous montrera comment aborder la deuxième étape du parcours de votre modèle vers la création de valeur, établissant ainsi la norme pour de nombreuses autres étapes à venir. Vous commencerez par explorer le cycle de vie MLOps, en découvrant l'importance du MLOps et les composants fonctionnels clés pour le développement, le déploiement, la surveillance et la maintenance des modèles.
<h2>Développer du code ML pour le déploiement</h2>
Ensuite, vous apprendrez à développer des modèles pour le déploiement et à écrire du code ML efficace, à exploiter des outils et à former des pipelines ML. Au fur et à mesure de votre progression, vous découvrirez comment déployer vos modèles, en explorant différents environnements de déploiement et en apprenant quand les utiliser. Vous développerez également des stratégies pour remplacer les modèles de production existants et examinerez les API.
<h2>Apprenez à surveiller vos modèles</h2>
Au fur et à mesure que vous avancerez dans le cours, vous découvrirez les indicateurs de performance essentiels qui sous-tendent la surveillance et la maintenance de vos modèles d'apprentissage automatique. Vous découvrirez la surveillance des dérives en production, ainsi que le retour d'information sur les modèles, les mises à jour et la gouvernance.

Une fois que vous aurez terminé, vous comprendrez comment utiliser le cycle de vie MLOps pour déployer vos propres modèles en production.


MLOps Concepts

Dans ce cours, explorez le cadre MLOps moderne, le cycle de vie et le déploiement des modèles ML.

Déploiement MLOps et cycle de vie

Dans ce cours, vous découvrirez le cadre MLOps moderne, en explorant le cycle de vie et le déploiement des modèles d'apprentissage automatique. 

Ingénieur en apprentissage automatique

Principes de base des MLOps

Les bénéfices de MLOps

Exercice interactif pratique