Comment industrialiser vos projets de Machine Learning avec MLOps ?

Le MLOps (Machine Learning Operations) est une discipline qui combine les principes de DevOps avec ceux du machine learning, visant à automatiser et à optimiser l'ensemble du cycle de vie des modèles de machine learning, depuis leur développement jusqu'à leur déploiement et leur gestion en production.

Les objectifs du MLOps sont doubles : 

— Premièrement, il vise à permettre le déploiement rapide et fiable des modèles en production, tout en assurant leur performance continue grâce à un suivi et une mise à jour constants. 

— Deuxièmement, il cherche à minimiser les risques associés au déploiement de modèles de machine learning, en assurant la traçabilité des processus, en gérant les versions des modèles, et en automatisant les étapes critiques comme les tests et la validation. 

Ce livre blanc à travers le cas d’usage d’une entreprise e-commerce (prédiction d’attrition client), présente étape par étape les principes fondamentaux pour industrialiser ses projets de machine learning.

"Les informations recueillies sont enregistrées dans un fichier informatisé pour traiter la demande exprimée ainsi qu'à des fins de communication. Les données collectées ne sont pas communiquées à des personnes extérieures à la société "IPPON Technologies". Les données sont conservées pendant trois années. Vous pouvez accéder aux données vous concernant, les rectifier, demander leur effacement ou exercer votre droit à la limitation du traitement de vos données. Consultez le site cnil.fr pour plus d’informations sur vos droits. Pour exercer ces droits ou pour toute question sur le traitement de vos données dans ce dispositif, vous pouvez contacter notre délégué à la protection des données : dpo@ippon.fr. Si vous estimez, après nous avoir contactés, que vos droits « Informatique et Libertés » ne sont pas respectés, vous pouvez adresser une réclamation à la CNIL."

Cet ouvrage aborde en détails les éléments ci dessous :

  • La configuration de la plateforme MLOps
  • L’intégration du modèle de prédiction d’attrition
  • L’automatisation de la pipeline de bout en bout
  • L’assurance de la qualité de la reproductibilité du modèle
  • Le monitoring contenu et l’amélioration
  • L’itération et le passage à l'échelle de la solution

Le mot de l'auteur :

J’occupe depuis un an le poste de MLOps engineer chez Ippon Technologies à Paris. Mon rôle consiste à intervenir sur la mise en œuvre et l'optimisation de pipelines d'apprentissage automatique, en m'intéressant tout particulièrement aux aspects Cloud et à l'intégration des modèles de ML dans des architectures de production robustes et évolutives. Je suis également mentor du programme BlackBelt, qui permet le développement de compétences en interne. Je mentore celles et ceux qui souhaitent améliorer leur expertise MLOps.

Julide YILMAZ
YILMAZ Julide

MLOps engineer chez Ippon Technologies

Les news qui pourraient vous intéresser

Publication date icon14/09/2023

Ebook : Migrer dans le cloud AWS pour moderniser le SI - Enjeux et opportunités

Cet ebook présente les enjeux, opportunités et méthodologies pour une migration réussie à travers des témoignages concrets. Découvrez comment transformer votre SI en moteur de croissance en exploitant les bénéfices du cloud AWS.

Lire l'article
focus_vignette_ebook
date icon01/11/2023

Ippon Technologies, fier sponsor du podcast Tech in Sport d'Alliancy

Ippon s'allie à Alliancy au travers de son podcast "Tech in Sport". Une plongée dans l'univers du sport pour révéler comment le numérique modifie le terrain de jeu.

Lire l'article
Podcast Alliancy