Articles MLOps
Tutoriels, guides pratiques et analyses de fond sur MLOps, écrits par les ingénieurs et mentors Blent.
8 articles
MLOpsModel Registry : versionner et gouverner ses modèles en production
Entre le notebook où un modèle est entraîné et le service qui le sert en production, il existe un maillon souvent improvisé : un fichier pickle déposé sur un stockage partagé, un nom de dossier suffixé par « final_v2 », un message Slack pour annoncer la mise en production. Ces pratiques fonctionnent tant qu'une seule personne gère un seul modèle, puis elles s'effondrent dès qu'il faut savoir quelle version tourne, qui l'a validée et avec quelles données elle a été produite. Le Model Registry répond à ce besoin en centralisant le versionnement, les métadonnées et le cycle de vie des modèles.
11 min de lecture
MLOpsFeast : mettre en place un Feature Store open source
Un modèle de Machine Learning n'est jamais meilleur que les features qui l'alimentent, et ces features sont souvent recalculées de manière différente par chaque équipe, chaque notebook et chaque service de prédiction. Résultat : des écarts entre l'entraînement et la production, des calculs dupliqués et des fuites de données difficiles à détecter. Le Feature Store répond à ce problème en centralisant la définition, le stockage et la diffusion des features.
10 min de lecture
MLOpsDétecter le Data Drift et le Concept Drift en production
Le Data Drift et le Concept Drift sont deux phénomènes critiques que tout Machine Learning Engineer doit surveiller en production. Ces dérives, souvent silencieuses, peuvent progressivement dégrader les performances d'un modèle sans qu'aucune alerte technique ne soit déclenchée. Comprendre ces mécanismes et mettre en place des systèmes de détection adaptés est devenu une compétence essentielle dans l'approche MLOps.
7 min de lecture
MLOpsOptimisation bayésienne : pourquoi l'utiliser en MLOps ?
L'optimisation bayésienne est devenue une technique incontournable pour les Data Scientists et Machine Learning Engineers qui cherchent à maximiser les performances de leurs modèles tout en minimisant le temps de calcul. Contrairement aux méthodes traditionnelles comme la recherche par grille ou aléatoire, cette approche intelligente apprend des expérimentations passées pour guider efficacement la recherche des meilleurs hyper-paramètres.
7 min de lecture
MLOpsMLflow : tout savoir sur l’outil indispensable du MLOps
MLflow est une plateforme open source qui permet de **gérer le cycle de vie des modèles de Machine Learning. En particulier, grâce à MLflow, les modèles qui ont été entraînés à une date spécifique ainsi que les hyper-paramètres associés pourront être stockés, monitorés et réutilisés de manière efficace.
7 min de lecture
MLOpsKubernetes et Machine Learning
Vous avez probablement déjà entendu parler de Kubernetes : c'est un outil extrêmement populaire dans le Cloud et qui est devenu, en quelques années, la référence en terme de déploiement d'applications dans le Cloud. Mais pourquoi (et surtout comment) Kubernetes est devenu la solution incontournable ? Et surtout, pour un Data Scientist, quel est le rapport avec Kubernetes et le Machine Learning ?
10 min de lecture
MLOpsMachine Learning Engineer : définition, comment se former
C'est l'un des profils les plus demandés par les entreprises depuis quelques années. Le Machine Learning Engineer s'est imposé comme le profil idéal pour industrialiser et mettre en production des projets Data Science. En plus de ses compétences déjà solides en Machine Learning, il utilise les outils et services du Cloud pour déployer des modèles et des API sur des infrastructures complexes.
8 min de lecture
MLOpsL'AutoML ou comment automatiser le Machine Learning
L'AutoML est une pratique courante dans les projets Data Scientist qui consiste à automatiser le création des modèles de Machine Learning. Cela va permettre de gagner du temps puisque cette pratique va tester à la fois plusieurs méthodes de transformations des données, mais aussi plusieurs modèles de Machine Learning pour ensuite les comparer et conserver le plus performant.
6 min de lecture