Apprendre AutoML (French Edition)

Chapitre 11. Intégrationdes workflows avec les outils MLOps

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

J'ai appris à mes dépens l'importance cruciale de l'intégration AutoML-MLOps lors d'un projet mené en 2023 avec une entreprise de distribution classée au Fortune 500. Les membres de l'équipe de science des données de l'entreprise avaient développé ce qu'ils appelaient leur « pipeline AutoML en or » : un système impressionnant capable de créer automatiquement des modèles très performants pour la prévision de la demande sur des milliers de produits. Les modèles étaient vraiment impressionnants, avec une précision systématiquement supérieure de 15 % à 20 % à celle de leurs anciennes approches manuelles.

Mais il y avait un problème : faire passer ces modèles de leurs notebooks à la production a pris trois mois d’allers-retours entre les data scientists, les ingénieurs ML et les équipes DevOps. Ce retard n’était pas juste dû aux frictions habituelles du déploiement en entreprise — il était spécifiquement exacerbé par la complexité des artefacts d’AutoML. Chaque exécution d'AutoML générait des dizaines d'artefacts de modèles avec différents frameworks (Scikit-learn, XGBoost, LightGBM, réseaux neuronaux), chacun nécessitant des formats de sérialisation, des dépendances et des configurations de service différents. Les pipelines de prétraitement étaient générés dynamiquement en fonction des caractéristiques ...