Présentation
Il y a une augmentation des projets De Machine Learning entre les organisations en raison d’un plus grand nombre de données disponibles, de la démocratisation de la puissance de calcul et de l’avancement des algorithmes utilisés pour entraîner des modèles.
Toutefois, l’un des principaux obstacles lors de l’adoption et de la mise à l’échelle des projets Machine Learning est un manque de stratégie claire et de silos organisationnels.
MLOps
Les opérations machine learning ou MLOps visent à effectuer une mise à l’échelle plus efficace d’un projet de preuve de concept ou de projet pilote vers une charge de travail Machine Learning en production.
L’implémentation de MLOps vous aide à rendre vos charges de travail Machine Learning robustes et reproductibles. Par exemple, vous pourrez surveiller, réentraîner et redéployer un modèle chaque fois que nécessaire tout en conservant un modèle en production.
L’objectif de MLOps est de rendre le cycle de vie du Machine Learning évolutif :
- Effectuer l’apprentissage du modèle
- Modèle de package
- Valider le modèle
- Déployer le modèle
- Surveiller le modèle
- Réentraîner le modèle
MLOps nécessite plusieurs rôles et plusieurs outils. Les scientifiques des données se concentrent souvent sur toutes les tâches liées à l’apprentissage du modèle, également appelée boucle interne.
Pour empaqueter et déployer le modèle, les scientifiques des données peuvent avoir besoin de l’aide des ingénieurs machine learning qui appliquent des pratiques DevOps pour mettre à l’échelle les modèles Machine Learning.
Prendre un modèle formé et le déployer en production est souvent appelé boucle externe. Dans la boucle externe, le modèle est empaqueté, validé, déployé et surveillé. Lorsque vous décidez que le modèle doit être reformé, vous revenez à la boucle interne pour apporter des modifications au modèle.
DevOps
L’utilisation de principes DevOps comme la planification agile peut aider votre équipe à organiser votre travail et à produire des livrables plus rapidement. Avec le contrôle de code source, vous pouvez faciliter la collaboration sur les projets. Et avec l’automatisation , vous pouvez accélérer le cycle de vie du Machine Learning.
Ce module vous présente ces principes DevOps et met en évidence deux outils couramment utilisés : Azure DevOps et GitHub.
Objectifs d’apprentissage
Dans ce module, vous allez apprendre :
- Pourquoi DevOps est utile pour les projets Machine Learning.
- Quels principes DevOps peuvent être appliqués aux projets Machine Learning.
- Comment connecter Azure DevOps et GitHub à Azure Machine Learning.