Résumé
Dans ce module, nous nous sommes penchés sur le scénario de déploiement d’un algorithme de maintenance prédictive sur des pompes situées à distance (secteur pétrolier et gazier). L’entreprise récupérait déjà les données de capteurs situés sur le terrain, mais elle souhaitait déployer des algorithmes de maintenance prédictive sur des appareils périphériques. Pour surmonter la dérive de données, l’entreprise a décidé de réentraîner automatiquement les algorithmes.
MLOps vous permet de gérer le processus de développement et de déploiement de modèles de bout en bout. Les modèles Machine Learning peuvent être générés, supervisés et validés avec un minimum d’intervention. Les modèles peuvent être déployés sur des appareils périphériques (pompes) et exécutés hors connexion au besoin. Le réentraînement fréquent et automatique des modèles garantit que la version la plus à jour du modèle s’exécute sur les appareils.
En l’absence de la stratégie MLOps, les modèles déployés peuvent retourner des résultats qui ne reflètent pas l’état actuel des données. Ces résultats peuvent être trompeurs, voire incorrects.
En déployant MLOps, vous pouvez tirer la pleine valeur de vos modèles et conserver cette valeur au fil du temps en réentraînant vos modèles pour les maintenir à jour. En atteignant ces objectifs, l’entreprise peut réduire considérablement ses coûts de maintenance et de production, accroître la sécurité au travail et diminuer son impact environnemental.