Systèmes de production à apprentissage automatique

Chapitre 15. Gestion et livraison des modèles

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

Dans ce chapitre, nous parlerons de la gestion et de la livraison des modèles. Nous commencerons par une discussion sur le suivi des expériences, puis nous présenterons MLOps et discuterons de certains des concepts fondamentaux et des niveaux de maturité pour la mise en œuvre des processus et de l'infrastructure MLOps. Nous discuterons également des flux de travail en profondeur, ainsi que du versionnage des modèles. Nous nous pencherons ensuite sur la livraison continue et la livraison progressive.

Suivi des expériences

Les expériences sont fondamentales pour la science des données et la ML. Dans la pratique, la ML est davantage une science expérimentale que théorique, c'est pourquoi le suivi des résultats des expériences, en particulier dans les environnements de production, est essentiel pour pouvoir progresser vers tes objectifs. Nous avons besoin de processus rigoureux et de résultats reproductibles, ce qui a créé un besoin de suivi des expériences.

Le débogage en ML est souvent fondamentalement différent du débogage en génie logiciel, car il s'agit souvent d'un modèle qui ne converge pas ou ne se généralise pas au lieu d'une erreur fonctionnelle telle qu'une faute de segmentation ou un débordement de pile. Conserver un enregistrement clair des changements apportés au modèle et aux données au fil ...