Qu’est-ce qu’un MLOps ?
Les Machine learning operations, MLOps, sont les meilleures pratiques pour les entreprises qui souhaitent utiliser l’IA avec succès grâce à un ensemble de produits logiciels et de services de Cloud en pleine expansion.
MLOps peut ressembler au nom d’un monstre borgne et hirsute, mais il s’agit en fait d’un acronyme qui signifie « succès » en matière d’IA d’entreprise.
Abréviation de Machine learning operations, MLOps est un ensemble de meilleures pratiques pour les entreprises afin de gérer l’IA avec succès.
Le MLOps est un domaine relativement nouveau car l’utilisation commerciale de l’IA est elle-même assez récente.
Partager
MLOps peut sembler être le nom d’un monstre borgne et hirsute, mais c’est en fait un acronyme qui signifie succès dans l’IA d’entreprise.
Abréviation de Machine learning operations, MLOps est un ensemble de meilleures pratiques pour les entreprises afin de gérer l’IA avec succès.
Le MLOps est un domaine relativement nouveau car l’utilisation commerciale de l’IA est elle-même assez récente.
MLOps : Le cycle de vie de l’IA pour la production informatique
MLOps : Intégrer l’AI d’entreprise
Le Big Bang de l’IA a retenti en 2012 lorsqu’un chercheur a gagné un concours de reconnaissance d’images par apprentissage profond. Les ondes se sont rapidement étendues.
Aujourd’hui, l’IA traduit des pages web et achemine automatiquement les appels au service clientèle. Elle aide les hôpitaux à lire les radiographies, les banques à calculer les risques de crédit et les détaillants à approvisionner leurs rayons pour optimiser les ventes.
En bref, le « machine learning », qui fait partie du vaste domaine de l’IA, est appelé à devenir aussi courant que les applications logicielles. C’est pourquoi le processus d’exécution de l’IA doit être aussi poussé que le travail d’exécution des systèmes informatiques.
L’apprentissage machine à la base de DevOps
MLOps s’inspire de la discipline existante de DevOps, la pratique moderne consistant à écrire, déployer et exécuter efficacement des applications d’entreprise. Le DevOps a été créé il y a dix ans pour permettre aux tribus de développeurs de logiciels (les Devs) et aux équipes d’exploitation informatique (les Ops) de collaborer.
MLOps ajoute à l’équipe les scientifiques des données, qui conservent les ensembles de données et construisent les modèles d’IA qui les analysent. Elle comprend également les ingénieurs de ML, qui font passer ces ensembles de données par les modèles dans des
Le suivi du cycle de vie pour les scientifiques des données
Avec une infrastructure d’IA en place, un data center d’entreprise peut s’appuyer sur les éléments suivants d’une pile logicielle MLOps :
- les sources de données et les ensembles de données créés à partir de celles-ci
- Un dépôt de modèles d’IA étiquetés avec leurs historiques et leurs attributs
- Un pipeline de ML automatisé qui gère les ensembles de données, les modèles et les expériences tout au long de leur cycle de vie
- Conteneurs de logiciels, généralement basés sur des Kubernetes, pour simplifier l’exécution de ces travaux
Il s’agit d’un ensemble d’emplois connexes à tisser en un seul processus.
Les scientifiques ont besoin de la liberté de couper et de coller des ensembles de données provenant de sources externes et de lacs de données internes. Pourtant, leur travail et ces ensembles de données doivent être soigneusement étiquetés et suivis.
De même, ils doivent faire des expériences et des itérations pour créer de grands modèles bien adaptés à la tâche à accomplir. Ils ont donc besoin de bacs à sable flexibles et de dépôts solides comme la roche.
Et ils ont besoin de moyens pour travailler avec les ingénieurs de ML qui font passer les ensembles de données et les modèles par des prototypes, des tests et la production. C’est un processus qui nécessite une automatisation et une attention particulière aux détails pour que les modèles puissent être facilement interprétés et reproduits.
