MLOps – Comment rendre opérationnel un modèle de machine learning ?

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.