MLOps : panorama et mise en place
Prochaine session
8 novembre 2023
- Connaitre et comprendre les principes du MLOps
- Identifier ses outils
- Préparer sa mise en place dans son organisation
- Connaitre et comprendre les principes du MLOps
- Identifier ses outils
- Préparer sa mise en place dans son organisation
Pas de compétence technique approfondie de programmation ou de data science nécessaire
Pas de compétence technique approfondie de programmation ou de data science nécessaire
Responsables de pôle analytique, d’équipes data, chef de projet data, data scientists et data engineers
Responsables de pôle analytique, d’équipes data, chef de projet data, data scientists et data engineers
Enjeux et besoins des projets data auquel répond la mise en place de processus de MLOps
- Industrialisation de la mise en production (automatisation, agilité)
- Cycle de vie des modèles (du lab à la prod, performance, réentraînement)
Parallèle entre le développement logiciel et le développement de projets data
Rappel des principes DevOps et leur traduction pour les projets de data science
Revue détaillée des étapes d’un processus type de MLOps
- Objectifs de chaque étape
- Impacts techniques
- Gouvernance
Panorama des solutions de MLOps
- En open source (ex. : mlFlow, kubeflow)
- Dans les logiciels propriétaires (ex. : Dataiku DSS, neptune.ai)
- Chez les cloud providers (AWS, Azure, GCP)
- Pour Python, pour R
- Pour des modèles de Machine learning et de Deep learning
Mise en place de processus MLOps
- Revue d’une démarche type
- Etude de cas en atelier (informations collectées préalablement auprès des participants)
Enjeux et besoins des projets data auquel répond la mise en place de processus de MLOps
- Industrialisation de la mise en production (automatisation, agilité)
- Cycle de vie des modèles (du lab à la prod, performance, réentraînement)
Parallèle entre le développement logiciel et le développement de projets data
Rappel des principes DevOps et leur traduction pour les projets de data science
Revue détaillée des étapes d’un processus type de MLOps
- Objectifs de chaque étape
- Impacts techniques
- Gouvernance
Panorama des solutions de MLOps
- En open source (ex. : mlFlow, kubeflow)
- Dans les logiciels propriétaires (ex. : Dataiku DSS, neptune.ai)
- Chez les cloud providers (AWS, Azure, GCP)
- Pour Python, pour R
- Pour des modèles de Machine learning et de Deep learning
Mise en place de processus MLOps
- Revue d’une démarche type
- Etude de cas en atelier (informations collectées préalablement auprès des participants)
Quels sont les objectifs du MLOps ?
Le MLOps, ou DevOps for Machine Learning, est une pratique qui vise à appliquer les principes et les méthodes de DevOps à l’apprentissage automatique (machine learning). Il s’agit d’une approche qui vise à faciliter le déploiement, la gestion et la mise à l’échelle des modèles de machine learning dans des environnements de production.
Le MLOps vise à combler le fossé entre le développement de modèles de machine learning et leur déploiement en production. Il s’agit d’établir des processus et des pratiques pour gérer le cycle de vie complet des modèles, de la phase de développement à la phase de déploiement et de maintenance continue.
Les principaux objectifs du MLOps sont les suivants :
Automatisation : Le MLOps vise à automatiser autant que possible les tâches liées au déploiement et à la gestion des modèles de machine learning. Cela inclut l’automatisation des pipelines de prétraitement des données, des workflows de formation et d’évaluation des modèles, et des processus de déploiement et de surveillance.
Collaboration : Le MLOps encourage la collaboration entre les équipes de développement, les scientifiques des données et les opérations informatiques. Il vise à faciliter le partage des connaissances, la communication et la coordination entre ces différentes parties prenantes.
Gestion des versions : Comme pour le développement logiciel, le MLOps met l’accent sur la gestion des versions des modèles de machine learning. Il s’agit de suivre les changements apportés aux modèles, aux données et au code, afin de pouvoir les reproduire, les tester et les déployer de manière fiable.
Déploiement et monitoring : Le MLOps intègre des pratiques de déploiement robustes pour déployer les modèles de manière efficace et cohérente dans des environnements de production. Il inclut également des mécanismes de suivi et de surveillance des modèles en production pour s’assurer de leur performance et de leur conformité.
Avec le MLOps, les organisations peuvent améliorer l’efficacité, la qualité et la fiabilité de leurs projets de machine learning. Le MLOps permet d’industrialiser et de scaler les projets de machine learning, en garantissant une gestion efficace des modèles et une collaboration harmonieuse entre les différentes équipes impliquées.
Quels sont les objectifs du MLOps ?
Le MLOps, ou DevOps for Machine Learning, est une pratique qui vise à appliquer les principes et les méthodes de DevOps à l’apprentissage automatique (machine learning). Il s’agit d’une approche qui vise à faciliter le déploiement, la gestion et la mise à l’échelle des modèles de machine learning dans des environnements de production.
Le MLOps vise à combler le fossé entre le développement de modèles de machine learning et leur déploiement en production. Il s’agit d’établir des processus et des pratiques pour gérer le cycle de vie complet des modèles, de la phase de développement à la phase de déploiement et de maintenance continue.
Les principaux objectifs du MLOps sont les suivants :
Automatisation : Le MLOps vise à automatiser autant que possible les tâches liées au déploiement et à la gestion des modèles de machine learning. Cela inclut l’automatisation des pipelines de prétraitement des données, des workflows de formation et d’évaluation des modèles, et des processus de déploiement et de surveillance.
Collaboration : Le MLOps encourage la collaboration entre les équipes de développement, les scientifiques des données et les opérations informatiques. Il vise à faciliter le partage des connaissances, la communication et la coordination entre ces différentes parties prenantes.
Gestion des versions : Comme pour le développement logiciel, le MLOps met l’accent sur la gestion des versions des modèles de machine learning. Il s’agit de suivre les changements apportés aux modèles, aux données et au code, afin de pouvoir les reproduire, les tester et les déployer de manière fiable.
Déploiement et monitoring : Le MLOps intègre des pratiques de déploiement robustes pour déployer les modèles de manière efficace et cohérente dans des environnements de production. Il inclut également des mécanismes de suivi et de surveillance des modèles en production pour s’assurer de leur performance et de leur conformité.
Avec le MLOps, les organisations peuvent améliorer l’efficacité, la qualité et la fiabilité de leurs projets de machine learning. Le MLOps permet d’industrialiser et de scaler les projets de machine learning, en garantissant une gestion efficace des modèles et une collaboration harmonieuse entre les différentes équipes impliquées.
