Romain Lesur
Responsable du SSP Lab
2023-07-05
Références
Recommandation
Si votre veille se limite à une seule lecture par an 😱
Lisez sa vue d’ensemble !
Les opérateurs privés accumulent toujours plus de données
Les sources d’informations ouvertes se multiplient
Les taux de réponse aux enquêtes diminuent
Technologies cloud (conteneurisation) & big data
Stockage objet
Formats de données
WebAssembly (Your browser is the new OS)
Webscraping
Big data
Dataviz/Big data analytics
Intelligence artificielle/Machine learning
Open data
Open source
Ethique en IA
Science ouverte, reproductibilité
Autonomisation des utilisateurs de l’informatique
➡️ possibilité pour les data scientists de mettre en production (DevOps, MLOps)
De producteur de données
à fournisseur de services ?
De l’expérimentation à la mise en production
Mur de la production :
Connexion
et Créer un compte
Connexion
Documentation : https://docs.sspcloud.fr/
https://docs.sspcloud.fr/onyxia-guide/premiere-utilisation
README
, lisez-le https://docs.sspcloud.fr/onyxia-guide/controle-de-version
https://docs.sspcloud.fr/onyxia-guide/stockage-de-donnees
mc
, python (Boto3
ou S3Fs
) ou R (aws.s3
)Le MLOps est un ensemble de pratiques combinant le machine learning, le DevOps et le Data Engineering, qui vise à déployer et maintenir des modèles de machine learning en production de manière fiable et efficace (Breuel 2020)
Le MLOps est un ensemble de pratiques combinant le machine learning, le DevOps et le Data Engineering, qui vise à déployer et maintenir des modèles de machine learning en production de manière fiable et efficace (Breuel 2020)
Les modèles de machine learning sont souvent non déterministes (probabilistes) (Steidl, Felderer, et Ramler 2023)
Problème : les données rencontrées en production peuvent différer des données d’entrainement (data drift)
Problème : les données rencontrées en production peuvent différer des données d’entrainement (data drift)
Solution : ré-entrainer le modèle et le redéployer en production
Traquer les expérimentations et les métadonnées du modèle dans un model store
CEFIL