Recherche & Développement Toutes les publications MLOps – Comment rendre opérationnel un modèle de machine learning ?

MLOps – Comment rendre opérationnel un modèle de machine learning ?


Télécharger le fichier
ETUDE INTERNE
AUTEUR : MARVIN SUZANNE

 

La complexité et les challenges induits par le déploiement de systèmes de machine learning (ML) sont parfois sous-estimés au profit des efforts engagés sur la phase de développement.

Hors, les applications à base de ML sont différentes des logiciels standards dans la mesure où leur performance repose essentiellement sur de la donnée.

Comme les données évoluent en permanence, les modèles en production doivent être monitorés, re-entraînés et redéployés, afin de garantir un niveau de performance similaire en production et en phase de développement.

Cette note donne une vision synthétique des différentes étapes fonctionnelles d’un projet ML : Data Engineering, Model Engineering et Déploiement.

 

 

Télécharger le fichier

Publications récentes

#news

Rapport SFCR 2024 Tendances Du Marché IARD

08/07/2025

Rapport SFCR 2024 – Les tendances du marché IARD

Lire plus
Mutualisation Des Risques Climatiques Les Pistes De Réforme Du Haut Commissariat à La Stratégie Et Au Plan Nexialog Consulting

03/07/2025

Mutualisation des risques climatiques : les pistes de réforme du Haut-Commissariat à la Stratégie et au Plan

Lire plus
Variabilité Des Fonds Propres En Europe Article Banque Nexialog Consulting

01/07/2025

Variabilité des fonds propres en Europe : progrès et défis selon le rapport de l’exercice de benchmark crédit de l’EBA 2024

Lire plus