Opérations d'apprentissage automatique (MLOps)
Découvrez la puissance de MLOps : rationalisez le déploiement des modèles ML, automatisez les flux de travail, garantissez la fiabilité et augmentez efficacement la réussite de l'IA.
Machine Learning Operations (MLOps) est un ensemble de pratiques visant à déployer et à maintenir les modèles de Machine Learning (ML) en production de manière fiable et efficace. S'inspirant des principes DevOps, MLOps applique des concepts similaires à l'ensemble du cycle de vie des modèles d'IA, de la collecte des données et de l'entraînement des modèles au déploiement et à la surveillance. L'objectif principal est d'automatiser et de rationaliser les processus impliqués dans le passage d'un modèle de ML d'un prototype de recherche à une application de production robuste et évolutive. Cela permet de s'assurer que les modèles ne sont pas seulement performants au départ, mais qu'ils restent efficaces au fil du temps, à mesure que de nouvelles données sont disponibles.
MLOps et concepts connexes
Il est important de distinguer les MLOps de concepts connexes mais distincts :
- MLOps vs. AutoML: Bien qu'ils puissent travailler ensemble, leurs objectifs sont différents. Automated Machine Learning (AutoML) se concentre sur l'automatisation du processus de création du modèle, comme le prétraitement des données, l'ingénierie des caractéristiques et le réglage des hyperparamètres. MLOps, quant à lui, couvre l'ensemble du cycle de vie, y compris ce qui vient après la construction du modèle, comme le déploiement du modèle, la surveillance et la gouvernance. AutoML peut être considéré comme un outil au sein d'un cadre MLOps plus large qui accélère la phase de développement.
- MLOps vs. DevOps: MLOps est une spécialisation de DevOps adaptée aux besoins uniques de l'apprentissage automatique. Alors que DevOps se concentre sur l'automatisation de la livraison de logiciels grâce à l'intégration et au déploiement continus (CI/CD), MLOps étend ce paradigme pour inclure les pipelines de données et de modèles. Il permet de relever des défis que l'on ne retrouve généralement pas dans le développement logiciel traditionnel, tels que la dérive des données, le versionnage des modèles et la nécessité d'un recyclage continu.
Applications dans le monde réel
Les pratiques MLOps sont essentielles pour gérer des systèmes complexes de ML dans des environnements de production.
- Systèmes de recommandation: Des entreprises comme Netflix ou Spotify utilisent MLOps pour réapprendre en permanence les modèles de leur système de recommandation sur la base de nouvelles données d'interaction avec l'utilisateur. Les pipelines MLOps leur permettent d'effectuer des tests A/B sur différentes versions de modèles, de surveiller les mesures d'engagement et de rétablir rapidement les modèles les moins performants, afin de garantir que les recommandations restent fraîches et personnalisées.
- Détection des fraudes: Les institutions financières déploient des MLOps pour gérer les modèles de détection des fraudes. Il s'agit de surveiller les données de transaction pour détecter de nouveaux modèles d'activité frauduleuse, de recycler automatiquement les modèles avec de nouvelles données, de garantir une faible latence d'inférence pour la détection en temps réel et de maintenir des pistes d'audit pour la conformité réglementaire. Les modèles YOLO d'Ultralytics utilisés dans les systèmes d'inspection visuelle, qui peuvent contribuer à la détection des fraudes, bénéficient également de MLOps pour le déploiement et la surveillance sur les appareils périphériques.
FR
EN
ZH
KO
JA
RU
DE
ES
PT
IT
TR
VI
AR
.webp)
