MLOps

Avez vous déjà entendu l’histoire de Netflix, qui a dépensé énormément d’argent dans un super système de recommandation, mais qui n’a jamais été déployé car trop complexe ? Cette histoire n’est pas un cas isolé et se retrouve beaucoup plus souvent que vous ne le pensez. Entre les produits de ML qui ne sont jamais envoyés en production et ceux qui mettent 6 mois à être déployés, il y a une vraie perte de temps et d’argent lorsque les produits de ML ne sont pas…

Pour les entreprises exploitant l’Intelligence Artificielle, bien maîtriser son intégration dans les écosystèmes de données reste un enjeu majeur. Parmi les défis à relever pour mettre en place l’IA de manière pérenne, l’industrialisation a su tirer son épingle du jeu pour devenir un élément indispensable d’une bonne intégration de l’IA en production. Dans cet article, nous vous proposons de vous tourner vers l’après industrialisation : le passage à l’échelle ! Cet article fait suite à plusieurs mois d’expérimentation de la solution Kubeflow permettant de déployer…

I) Quelles sont leurs origines, à quoi servent-ils et à qui sont-ils destinés ?  Une feature est une mesure d’une propriété d’une observation, plus prosaïquement, elle peut être l’âge d’un individu ou un mot extrait d’un texte. Les features, c’est l’or raffiné par les data scientists pour produire les modèles de machine learning. Fréquemment, les problèmes qui surviennent dans un projet data science sont liés à ces features : à leur qualité ou à leur disponibilité notamment. Un feature store est un point centralisé où…