Présentation de MLOps : Créer et déployer des pipelines avec Azure

De nombreux modèles d'apprentissage automatique ne passent jamais au-delà de la phase expérimentale, car leur transition vers la production nécessite une approche systématique et automatisée.Ce cours vous présente les MLOps, la discipline essentielle qui unit le développement de l'apprentissage automatique aux opérations pour fournir des modèles fiables et évolutifs dans le monde réel. Vous comprendrez comment appliquer les principes de DevOps à la science des données, ce qui vous permettra d'automatiser les tests, l'intégration continue et le déploiement systématique des modèles. Ce que vous apprendrez: - Comprendre les concepts de base des MLOps, y compris les niveaux de maturité, les phases du cycle de vie et les défis du déploiement traditionnel de l'apprentissage automatique. - Concevoir des pipelines d'intégration continue (CI) et de livraison continue (CD) adaptés spécifiquement aux flux de travail d'apprentissage automatique. - Configurez des boucles d'entraînement continu (CT) pour réentraîner automatiquement les modèles lorsque de nouvelles données arrivent. - Appliquer les concepts Azure Machine Learning et Azure DevOps pour orchestrer des pipelines d'apprentissage automatique de bout en bout. - Surveiller les modèles déployés en production en utilisant des stratégies de détection de dérive et de suivi des performances pour assurer une fiabilité à long terme. Vous commencerez par apprendre la terminologie fondamentale de MLOps et les principes architecturaux avant d'explorer les explications écrites étape par étape des configurations de pipeline. Ce cours est conçu pour les ingénieurs ML, les scientifiques de données et les développeurs en herbe qui sont nouveaux dans les opérations et qui souhaitent construire une base solide.Aucune expérience préalable de DevOps n'est requise, car nous commençons par les bases absolues des pipelines et de l'automatisation. Commencez dès aujourd’hui à maîtriser les workflows qui donnent vie aux modèles d’apprentissage automatique en production.