Déploiement MLOps et cycle de vie

Ce chapitre est consacré à toutes les décisions à prendre dès la phase de développement afin d’assurer une transition fluide lorsque nous arriverons aux opérations.Notre objectif est d’expliquer comment entraîner le modèle en appliquant les bonnes pratiques MLOps, puis de construire un package de modèle qui facilite un déploiement fluide, la reproductibilité et la surveillance post‑déploiement.

Ce chapitre aborde des questions opérationnelles cruciales pour les modèles, telles que :

• Quelles sont les différentes manières de servir nos modèles ?
• Qu’est‑ce qu’une API et quelles sont ses fonctionnalités clés ?
• Comment tester minutieusement notre service avant de le rendre disponible aux utilisateurs finaux ?
• Comment mettre à jour des modèles en production sans perturber le service ?

Vous allez découvrir la prédiction par lot, la prédiction en temps réel, la validation des données d’entrée et de sortie, les tests unitaires, les tests d’intégration, le déploiement canari, et bien plus encore.

Ce dernier chapitre est dédié à la surveillance et à la maintenance des services ML après leur déploiement, ainsi qu’à la gouvernance des modèles.Vous aborderez des notions clés telles que la latence de vérification, le décalage des covariables (covariate shift), la dérive de concept (concept drift), les systèmes avec humain dans la boucle, et plus encore.