book

Mise en œuvre des MLOps dans l'entreprise

by Yaron Haviv, Noah Gift

November 2024

Intermediate to advanced

380 pages

10h 52m

French

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

À qui s'adresse ce livreNaviguer dans ce livreConventions utilisées dans ce livreUtiliser des exemples de codeApprentissage en ligne O'ReillyComment nous contacterRemerciementsYaronNoé
Qu'est-ce que MLOps ?MLOps dans l'entrepriseComprendre le retour sur investissement des solutions d'entrepriseComprendre le risque et l'incertitude dans l'entrepriseMLOps contre DevOpsQu'est-ce qui n'est pas MLOps ?Définitions courantes des MLOpsQu'est-ce que l'ingénierie ML ?MLOps et mesures d'incitation pour les entreprisesMLOps dans le CloudPrincipaux environnements de développement dans le cloud.Les principaux acteurs de l'informatique en nuage (Cloud Computing)MLOps On-PremisesMLOps dans les environnements hybridesStratégie MLOps pour l'entrepriseConclusionQuestions de discussion sur la pensée critiqueExercices
Pour commencerChoisis ton algorithmeConçois tes pipelinesCollecte et préparation des donnéesStockage et ingestion de donnéesExploration et préparation des donnéesÉtiquetage des donnéesMagasins d'articles vedettesDéveloppement de modèles et formationRédiger et maintenir le code ML de productionSuivi et comparaison des résultats des expériencesFormation distribuée et optimisation des hyperparamètresConstruire et tester des modèles pour la productionDéploiement (et services ML en ligne)Des points de terminaison du modèle aux pipelines d'applicationPréparation des données en ligneSurveillance continue du modèle et des donnéesDonnées de surveillance et dérive des conceptsContrôle de la performance et de la précision du modèleLa stratégie des modèles pré-entraînésConstruire une application de bout en bout pour les visages étreintsAutomatisation des flux (CI/CD pour ML)ConclusionQuestions de discussion sur la pensée critiqueExercices
Identifier le cas d'utilisation et les objectifs de l'entrepriseTrouver le cas d'utilisation de l'IADéfinir les objectifs et évaluer le retour sur investissementComment construire un projet de ML réussiApprobation et prototypage du projetProjets de mise à l'échelle et de productionStructure et cycle de vie du projetExemple de projet ML de A à ZAnalyse exploratoire des donnéesDéveloppement d'un pipeline de données et de modèlesDéveloppement d'un pipeline d'applicationsMise à l'échelle et production du projetCI/CD et opérations continuesConclusionQuestions de discussion sur la pensée critiqueExercices
Version et lignage des donnéesComment ça marcheOutils courants de versionnement des données de MLPréparation et analyse des données à l'échelleTransformations de données structurées et non structuréesArchitectures de traitement des données distribuéesTraitement interactif des donnéesTraitement des données par lotsTraitement des fluxCadres de traitement des fluxMagasins d'articles vedettesArchitecture et utilisation du Feature StoreService d'ingestion et de transformationStockage des caractéristiquesRecherche de caractéristiques (pour la formation et le service)Solutions et exemples d'utilisation des magasins de fonctionnalitésUtilisation du magasin de fonctionnalités FeastUtilisation de la base de données de MLRunConclusionQuestions de discussion sur la pensée critiqueExercices
AutoMLExécuter, suivre et comparer les travaux de MLSuivi des expériencesSauvegarde des métadonnées essentielles avec les artefacts du modèleComparer les emplois en ML : Un exemple avec MLflowRéglage des hyperparamètresEnregistrement automatiqueMLOps Automation : AutoMLOpsExemple : Exécution et suivi des tâches de ML à l'aide d'Azure Databricks.La gestion de la formation à l'échelleConstruire et exécuter des flux de travail en plusieurs étapesGérer efficacement les ressources informatiquesConclusionQuestions de discussion sur la pensée critiqueExercices
Registre et gestion des modèlesExemples de solutionsExemple de SageMakerExemple de MLflowExemple de MLRunModèle ServirAmazon SageMakerSeldon CoreMLRun ServingPipelines de service et d'application avancésMise en œuvre de pipelines d'application évolutifsRoutage de modèles et ensemblesOptimisation du modèle et ONNXSurveillance des données et des modèlesSolutions intégrées de surveillance des modèlesSolutions autonomes de surveillance des modèlesRéentraînement du modèleQuand recycler tes modèlesStratégies de recyclage des donnéesRéentraînement de modèle dans le pipeline MLOpsStratégies de déploiementMesurer l'impact sur l'entrepriseConclusionQuestions de discussion sur la pensée critiqueExercices
Analyse exploratoire des donnéesPréparation interactive des donnéesPréparation de l'ensemble de données sur les transactions de créditPréparation de l'ensemble de données sur les événements (activités) de l'utilisateurExtraction des étiquettes et formation d'un modèleIngestion et préparation des données à l'aide d'un entrepôt de donnéesConstruire le pipeline de données sur les transactions de crédit (Feature Set)Construire le pipeline de données sur les événements utilisateurs (FeatureSet)Construire le pipeline de données des étiquettes cibles (FeatureSet)Intégrer des données dans la base de données des fonctionnalitésPipeline de formation et de validation des modèlesCréation et évaluation d'un vecteur de caractéristiquesConstruire et exécuter un pipeline automatisé de formation et de validationPipeline d'applications en temps réelDéfinition d'une classe de service de modèle personnaliséeConstruire un pipeline d'applications avec l'enrichissement et l'ensembleTester le pipeline d'application localementDéployer et tester le pipeline d'applications en temps réelSurveillance du modèleCI/CD et opérations continuesConclusionQuestions de discussion sur la pensée critiqueExercices
Deep Learning distribuéHorovodRayCollecte de données, étiquetage et surveillance dans DLLes pièges de l'étiquetage des données à éviterMeilleures pratiques en matière d'étiquetage des donnéesSolutions d'étiquetage des donnéesUtiliser les modèles de fondation comme étiqueteusesContrôle des modèles DL avec des données non structuréesConstruire plutôt qu'acheter des modèles de Deep LearningModèles de fondation, IA générative, LLMsRisques et défis de l'IA générativeMLOps Pipelines pour utiliser et personnaliser efficacement les LLMsExemple d'application : Mise au point d'un modèle LLMConclusionQuestions de discussion sur la pensée critiqueExercices
Encadrement des problèmes ML avec les séries temporellesNaviguer dans l'analyse des séries temporelles avec AWSPlonger dans les séries temporelles avec DeepAR+Séries temporelles avec le GCP BigQuery et SQLConstruire ou acheter pour les problèmes de MLOps NLPConstruire plutôt qu'acheter : L'approche du visage qui s'enlaceExplorer le traitement du langage naturel avec AWSExplorer la PNL avec OpenAIAnalyse vidéo, classification d'images et IA générativeTechniques de classification d'images avec CreateMLComposite AIDémarrer avec Serverless pour l'IA compositeCas d'utilisation de l'IA composite avec ServerlessConclusionQuestions de discussion sur la pensée critiqueExercices

Arguments en faveur de la Rust pour les MLOpsMonter en niveau avec Rust, GitHub Copilot et CodespacesAu commencement était la ligne de commandeDébuter avec Rust pour les MLOpsUtiliser PyTorch et faire un câlin à RustUtiliser Rust pour construire des outils pour les MLOpsConstruire des outils de ligne de commande Rust conteneurisés.Flux de travail GPU PyTorchUtilisation de TensorFlow RustFaire du regroupement k-means avec RustNotes finales sur la RustLinge de litRust-nouveau-modèle-de-projetConclusionQuestions de discussion sur la pensée critiqueExercices

Content preview from Mise en œuvre des MLOps dans l'entreprise

À propos des auteurs

Yaron Haviv est un entrepreneur en série qui met sa profonde expérience technologique en matière de données, de Cloud, d'IA et de réseaux au service de startups et d'entreprises de premier plan depuis la fin des années 1990. En tant que cofondateur et directeur technique d'Iguazio, Yaron dirige la stratégie de la plateforme de science des données de l'entreprise et mène le changement vers l'IA en temps réel. Il a également initié et construit Nuclio, une plateforme serverless open source de premier plan avec plus de 4 000 étoiles Github, et MLRun, le cadre d'orchestration MLOps open source d'Iguazio.

Tu peux suivre le travail de Yaron sur son profil LinkedIn : linkedin.com/in/yaronh et sur Twitter : @yaronhaviv.

Noah Gift est le fondateur de Pragmatic A.I. Labs. Il donne des cours à MSDS, Northwestern, Duke MIDS Graduate Data Science Program, le programme Graduate Data Science de UC Berkeley, le programme MSBA de l'UC Davis Graduate School of Management, UNC Charlotte Data Science Initiative, et l'Université du Tennessee (dans le cadre de la Tennessee Digital Jobs Factory). Il enseigne et conçoit des cours d'apprentissage automatique, de MLOps, d'IA et de science des données pour les diplômés, et consulte les étudiants et les professeurs sur l'apprentissage automatique et l'architecture Cloud. Ces responsabilités incluent la direction d'une initiative de certification multicloud pour les étudiants.

Tu peux suivre le travail de Noah sur son profil LinkedIn ...