Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Déploiement et cycle de vie MLOps
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.Découvrez le cycle de vie MLOps
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.Développer du code ML pour le déploiement
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.Apprenez à surveiller vos modèles
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.Prérequis
Programme de formation
Plan du cours
1
MLOps en bref
Ce chapitre propose une vue d’ensemble des principes MLOps et des composants du cadre essentiels au déploiement et au cycle de vie.
2
Développer pour le déploiement
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.
3
Déployer et exécuter
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.
4
Surveiller et maintenir
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.
R
Déploiement MLOps et cycle de vie
Cours
terminé
