Partie IV. Production et MLOps
Construire des modèles précis, c'est seulement la moitié du chemin. L'autre moitié — souvent la plusdifficile —consiste à mettre ces modèles en production, à les faire fonctionner de manière fiable et à s'assurer qu'ils continuent à être performants alors que le monde change autour d'eux. C'est là que de nombreux projets AutoML échouent — non pas à cause de la qualité des modèles, mais à cause de lacunes opérationnelles.
Dans cette partie, on comble le fossé entre l'AutoML et MLOps. Tu apprendras à intégrer l'AutoML dans des plateformes ML modernes comme MLflow, à construire des pipelines de données fiables avec Apache Airflow et à mettre en œuvre des pratiques CI/CD qui traitent le déploiement des modèles avec la même rigueur que le déploiement de logiciels. Ce ne sont pas des bonnes pratiques théoriques, mais des approches éprouvées issues de systèmes de production traitant des millions de prédictions chaque jour. Cette partie se termine par les modèles opérationnels nécessaires pour déployer et maintenir l'AutoML en production.
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access