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

MLOps – Comment rendre opérationnel un modèle de machine learning ?


ETUDE INTERNE
AUTEUR : MARVIN SUZANNE

 

Le MLOps peut se définir comme un cadre de travail spécifique aux projets de Machine Learning.

Ce framework donne les principes permettant de cadrer, développer et mettre en production un modèle. Une attention particulière est accordée au monitoring, qui vise à garantir des performances similaires en phase de développement et en phase de production.

Cette note aborde en Partie I les motivations propres au MLOps, en mettant en avant les différences entre développement et production, puis les différences entre logiciel classique et logiciel basé sur des techniques de machine learning. Bien que récent, le MLOps s’inspire très largement des principes bien connus du DevOps.

En Partie II, les différentes étapes constituants la vie d’un projet ML sont présentées, indépendamment du cadre MLOps.

Trois grandes phases sont exposées : Data Engineering, Model Engineering, Déploiement.

En Partie III, l’apport du MLOps à chacun de ces blocs fonctionnels est souligné et illustré à partir d’outils open source.

 

Télécharger le PDF

Publications récentes

#news

Swaption cube

01/08/2022

GP regression for arbitrage-free construction of The Swaption Cube

Lire plus
NMRF

28/07/2022

Gestion des facteurs de risque non modélisables (NMRF)

Lire plus

25/07/2022

Avis de l’EIOPA sur la révision de Solvabilité 2 et DDA

Lire plus