Introduction
L’automatisation fait partie des pratiques les plus importantes des opérations Machine Learning (MLOps). En automatisant les tâches, vous pouvez déployer plus rapidement de nouveaux modèles en production.
Outre l’automatisation, un autre aspect clé des MLOps est le contrôle de code source pour gérer le code et suivre les modifications.
Vous pouvez utiliser conjointement l’automatisation et le contrôle de code source pour déclencher des tâches dans le flux de travail Machine Learning en fonction des modifications apportées au code. Toutefois, la tâche automatisée ne devra être déclenchée que si les modifications de code ont été vérifiées et approuvées.
Supposons par exemple que, après avoir effectué à nouveau l’apprentissage d’un modèle à l’aide de nouvelles valeurs d’hyperparamètre, vous souhaitiez mettre à jour l’hyperparamètre dans le code source. Une fois vérifiée et approuvée la modification du code utilisé pour effectuer l’apprentissage du modèle, vous voulez déclencher l’apprentissage du nouveau modèle.
GitHub est une plateforme qui propose GitHub Actions pour l’automatisation et les référentiels en utilisant Git pour le contrôle de code source. Vous pouvez configurer le déclenchement de vos flux de travail GitHub Actions sur une modification de votre référentiel.
Objectifs d’apprentissage
Dans ce module, vous allez découvrir comment :
- Adoptez le développement basé sur les fonctionnalités.
- Protégez la branche primaire.
- Déclenchez un workflow GitHub Actions en fusionnant une demande de tirage (pull request).