ML et IA générative dans le lac de données (French Edition)

Chapitre 4. MLde bout en bout avec MLflow

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

Construire un modèle ML est souvent la partie la plus facile. Les défis les plus difficiles, tels que le suivi des expériences, la gestion des versions de modèles, la gouvernance des artefacts et le déploiement en production, déterminent si le ML apporte une réelle valeur ajoutée à l'entreprise ou s'il reste une simple preuve de concept.

Ce chapitre te guide à travers un workflow ML complet sur la plateforme Databricks Lakehouse, en utilisant la prédiction des annulations de réservations d'hôtel comme exemple représentatif. Bien que le cas d'utilisation spécifique consiste à prévoir les non-présentations pour aider les hôtels à optimiser leur taux d'occupation, les principes que tu apprendras s'appliquent largement à tout problème de classification : perte de clientèle, détection de fraude, prédiction de pannes d'équipement, et bien plus encore.

Tu parcourras l’ensemble du cycle de vie du ML, de l’analyse exploratoire au déploiement en production, tout en découvrant comment Delta Lake, MLflow et Unity Catalog s’associent pour rendre le ML reproductible, gérable et prêt à l’emploi. À la fin de ce chapitre, tu disposeras d’un modèle pour créer des pipelines ML de production dans le Lakehouse.

Le ML en contexte

Le ML englobe un large éventail de techniques d', chacune adaptée à différents types de problèmes métier. ...