Qu’est-ce que MLOps ?
Les opérations d’apprentissage automatique, ou MLOps, sont les meilleures pratiques pour les entreprises qui souhaitent utiliser l’IA en utilisant une gamme croissante de logiciels et de services logiciels basés sur le cloud.
MLOps peut sembler être le nom d’un monstre hirsute et borgne, mais il s’agit en fait d’un acronyme qui signifie le succès de l’IA dans l’entreprise.
Abréviation de Machine Learning Operations, MLOps est un ensemble de bonnes pratiques permettant aux entreprises de gérer efficacement l’IA.
MLOps est un domaine relativement nouveau, car l’application commerciale de l’IA n’est pas un concept nouveau en soi.
Partager
MLOps peut sembler être le nom d’une bête borgne et hirsute, mais il s’agit en fait d’un acronyme qui signifie le succès de l’IA en entreprise.
Abréviation de Machine Learning Operations, MLOps est un ensemble de bonnes pratiques permettant aux entreprises de gérer efficacement l’IA.
MLOps est un domaine relativement nouveau, car l’application commerciale de l’IA est elle-même relativement nouvelle.
MLOps Le cycle de vie de l’IA pour la production informatique
MLOps Intégration de l’IA d’entreprise Le Big Bang de l’IA s’est fait entendre en 2012, lorsqu’un chercheur a remporté un concours de reconnaissance d’images par apprentissage profond. Les retombées ont rapidement pris de l’ampleur.
À l’heure actuelle, l’IA traduit des pages web, puis achemine automatiquement les appels au service clientèle. L’IA aide les hôpitaux à lire les radiographies et à calculer les risques de crédit, et les détaillants à remplir leurs rayons pour augmenter leurs ventes.
On prévoit que l' »apprentissage automatique », qui fait partie du vaste domaine de l’IA, sera bientôt aussi répandu que les logiciels. C’est pourquoi le processus d’exploitation de l’IA doit être aussi rigoureux que l’exploitation des systèmes informatiques.
L’apprentissage automatique peut servir de base à DevOps
MLOps s’appuie sur la discipline DevOps, la pratique contemporaine consistant à écrire et à déployer efficacement des applications au niveau de l’entreprise. DevOps a été créé au cours de la dernière décennie pour permettre aux groupes de développeurs de logiciels (Devs) et aux équipes d’exploitation informatique (Ops) de travailler ensemble.
MLOps est une partie de l’équipe qui comprend les scientifiques des données qui gèrent les données et développent les modèles d’IA qui analysent les données. L’équipe comprend également des ingénieurs ML qui exécutent ces ensembles de données à travers les modèles.
Les scientifiques des données peuvent suivre leur cycle de vie pour les scientifiques de la vie.
Avec une infrastructure d’IA en place, le centre de données de l’entreprise pourrait compter sur les composants suivants de la pile logicielle MLOps.
- Les sources de données, ainsi que les ensembles de données qui sont créés à partir d’elles.
- Une base de données de modèles d’IA étiquetés avec leur historique et leurs caractéristiques.
- Un pipeline ML entièrement automatisé pour gérer les modèles, les ensembles de données et les tests tout au long de leur durée de vie.
- Des conteneurs logiciels, généralement basés sur Kubernetes, pour faciliter l’exécution de ces tâches.
Il s’agit d’une collection de tâches connexes qui doivent être intégrées dans une procédure unique.
Les scientifiques doivent pouvoir copier et coller des ensembles de données provenant de sources extérieures ainsi que de lacs de données internes. Mais leur travail et leurs ensembles de données doivent être étiquetés avec soin et surveillés.
De la même manière, ils doivent expérimenter et recréer de grands modèles adaptés à la tâche du moment. Ils ont donc besoin de sandboxes flexibles et de référentiels solides.
Et ils auront besoin de moyens pour collaborer avec les ingénieurs ML qui utilisent les modèles et les ensembles de données à travers les prototypes, les tests et enfin la production. Ce processus nécessite l’utilisation de l’automatisation et une attention particulière aux détails pour s’assurer que les modèles peuvent être facilement répliqués et compris.
