Partager via

MLOps avec Azure Machine Learning

  • Article

Les opérations d’apprentissage automatique (MLOps) sont basées sur des principes et pratiques de DevOps qui améliorent l’efficacité des workflows, comme l’intégration, la livraison et le déploiement continus. Le MLOps applique ces principes au processus d’apprentissage automatique aux fins suivantes :

  • expérimenter et développer des modèles plus rapidement :
  • déployer des modèles en production plus rapidement ;
  • pratiquer et affiner l’assurance qualité.

Azure Machine Learning propose les fonctionnalités MLOps suivantes :

  • Créer des pipelines reproductibles. Les pipelines Machine Learning vous permettent de définir des étapes reproductibles et réutilisables pour vos processus de préparation des données, d’entraînement et de scoring.
  • Créer des environnements logiciels réutilisables pour la formation et le déploiement de modèles.
  • Inscrire, empaqueter et déployer des modèles à partir de n’importe quel emplacement. Vous pouvez également suivre les métadonnées associées requises pour utiliser le modèle.
  • Capturer les données de gouvernance pour le cycle de vie de bout en bout. Les informations journalisées peuvent inclure qui publie des modèles, pourquoi des modifications ont été apportées et quand les modèles ont été déployés ou utilisés en production.
  • Notifier et alerter concernant des événements du cycle de vie. Par exemple, vous pouvez recevoir des alertes en lien avec l’accomplissement d’une expérience, l’inscription d’un modèle, le déploiement d’un modèle et la détection d’une dérive de données.
  • Superviser les applications en lien avec des problèmes opérationnels et liés au Machine Learning. Comparer les entrées de modèle entre l’apprentissage et l’inférence, explorer les métriques spécifiques du modèle, et fournir une surveillance et des alertes pour votre infrastructure d’apprentissage automatique.
  • Automatiser le cycle de vie de Machine Learning de bout en bout avec Azure Machine Learning et Azure Pipelines. Les pipelines vous permettent de mettre fréquemment à jour les modèles, de tester de nouveaux modèles et de déployer en permanence de nouveaux modèles d’apprentissage automatique en même temps que vos autres applications et services.

Meilleures pratiques de MLOps avec Azure Machine Learning

Les modèles diffèrent du code en ce qu’ils ont une durée de vie organique et se détériorent à défaut de maintenance. Une fois déployés, ils peuvent apporter une réelle valeur ajoutée, et cela devient plus facile lorsque les scientifiques des données reçoivent les outils nécessaires pour adopter des pratiques d’ingénierie standard.

Le MLOps avec Azure vous aide à effectuer les tâches suivantes :

  • créer des modèles reproductibles et des pipelines d’apprentissage réutilisables ;
  • simplifier l’empaquetage, la validation et le déploiement de modèle pour le contrôle qualité et les tests a/B ;
  • expliquez et observer le comportement des modèles, et automatiser le processus de réapprentissage.

MLOps améliore la qualité et la cohérence de vos solutions de Machine Learning. Pour en savoir plus sur l’utilisation d’Azure Machine Learning pour gérer le cycle de vie de vos modèles, consultez MLOps : Gestion, déploiement et surveillance des modèles avec Azure Machine Learning.

Étapes suivantes

Découvrez plus d’informations en lisant et en explorant les ressources suivantes :