Un modèle de machine learning n’est utile qu’en production, et il se dégrade avec le temps. Le MLOps applique au ML les pratiques du DevOps : reproductibilité, automatisation et supervision, de la donnée au réentraînement.
DonnéesPréparer et versionner les données
Collecter, nettoyer et construire les variables (features), en gardant la trace de la version des données utilisée pour chaque entraînement.
Table de features versionnée, partagée entre entraînement et productionEntraînementEntraîner et évaluer le modèle
Tester plusieurs algorithmes et paramètres, évaluer sur un jeu de test séparé avec des métriques choisies pour le besoin métier.
from sklearn.ensemble import RandomForestClassifier
modele = RandomForestClassifier(max_depth=6)
modele.fit(X_train, y_train)Suivi des expériencesTracer paramètres, métriques, modèles
Enregistrer chaque essai pour le comparer et le reproduire. MLflow le fait automatiquement pour les bibliothèques courantes.
import mlflow
mlflow.sklearn.autolog()
with mlflow.start_run():
modele.fit(X_train, y_train)DéploiementMettre en service la bonne version
Enregistrer le modèle dans un registre, désigner la version validée, puis la servir en API ou en traitement par lots.
modele = mlflow.pyfunc.load_model("models:/churn@champion")
predictions = modele.predict(nouvelles_donnees)SupervisionSurveiller la dérive et la performance
Suivre la qualité des prédictions, la dérive des données d’entrée et les indicateurs techniques (latence, erreurs).
Alerte si la distribution d’une variable clé s’écarte trop de celle de l’entraînementRéentraînementRemettre le modèle à jour
Réentraîner sur des données récentes, à intervalle régulier ou sur alerte de dérive, puis comparer au modèle en place avant de le remplacer.
Pipeline planifié : réentraînement, comparaison au champion, promotion si meilleurÀ garder sous la main : agrandissez-la, puis gardez ces points en tête.
Lisez la définition, cherchez la réponse, puis retournez la carte.
pwdAffiche le répertoire courantlsListe le contenu d’un répertoirecdChange de répertoirecatAffiche le contenu d’un fichiercpCopie un fichier ou un dossiermvDéplace ou renommemkdirCrée un répertoiresudoExécute avec les droits administrateurImporterSe connecter aux sources de donnéesNettoyerPréparer les données avec Power QueryModéliserRelier les tables et écrire les mesures DAXVisualiserChoisir les bons visuelsPublierPartager et planifier l’actualisationgit cloneCopie un dépôt distant en localgit statusMontre l’état des fichiersgit addPrépare les fichiers pour le commitgit commitEnregistre un instantanégit pushEnvoie les commits vers le dépôt distantgit pullRécupère et intègre les changementsgit switch -cCrée une branche et s’y placegit mergeFusionne une branche dans la couranteNos experts vous accompagnent, et nos formations rendent vos équipes autonomes.