{"id":86523,"date":"2020-06-26T07:42:14","date_gmt":"2020-06-26T05:42:14","guid":{"rendered":"https:\/\/prohoster.info\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning"},"modified":"2020-06-26T07:42:14","modified_gmt":"2020-06-26T05:42:14","slug":"mlops-devops-v-mire-machine-learning","status":"publish","type":"post","link":"https:\/\/prohoster.info\/fr\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","title":{"rendered":"MLOps : DevOps dans le monde de l'apprentissage automatique","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"<p>En 2018, dans les cercles professionnels et lors des conf\u00e9rences sp\u00e9cialis\u00e9es sur l'IA, le concept d'MLOps est apparu, se solidifiant rapidement dans l'industrie et se d\u00e9veloppant aujourd'hui comme un domaine autonome. \u00c0 terme, MLOps pourrait devenir l'un des secteurs les plus recherch\u00e9s dans le domaine de l'IT. Qu'est-ce que c'est et comment cela fonctionne, nous allons le d\u00e9couvrir.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps : DevOps dans le monde de l&#039;apprentissage automatique\" src=\"\/wp-content\/uploads\/2020\/06\/03bcaaaf5b9ddd864c7e8e0a607d81c4.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<noindex><a rel=\"nofollow\" name=\"habracut\"><\/a><\/noindex><\/p>\n<h2>Qu'est-ce que MLOps<\/h2>\n<p>\nMLOps (fusion des technologies et des processus d'apprentissage automatique et des approches pour int\u00e9grer les mod\u00e8les d\u00e9velopp\u00e9s dans les processus d'affaires) est une nouvelle mani\u00e8re de collaboration entre les repr\u00e9sentants du secteur des affaires, les chercheurs, les math\u00e9maticiens, les sp\u00e9cialistes de l'apprentissage automatique et les ing\u00e9nieurs IT lors de la cr\u00e9ation de syst\u00e8mes d'intelligence artificielle.<\/p>\n<p>Autrement dit, c'est un moyen de transformer les m\u00e9thodes et les technologies d'apprentissage automatique en un outil utile pour r\u00e9soudre les probl\u00e8mes commerciaux.\u00a0<\/p>\n<p>Il est important de comprendre que la cha\u00eene de productivit\u00e9 commence bien avant le d\u00e9veloppement du mod\u00e8le. Son premier pas consiste \u00e0 d\u00e9finir le probl\u00e8me commercial, les hypoth\u00e8ses sur la valeur pouvant \u00eatre extraite des donn\u00e9es, et l'id\u00e9e commerciale de son application.\u00a0<\/p>\n<p>Le concept m\u00eame de MLOps est n\u00e9 comme une analogie du concept de DevOps appliqu\u00e9 aux mod\u00e8les et technologies d'apprentissage automatique. DevOps est une approche de d\u00e9veloppement de logiciels qui permet d'augmenter la vitesse de mise en \u0153uvre des changements tout en maintenant la flexibilit\u00e9 et la fiabilit\u00e9 gr\u00e2ce \u00e0 une s\u00e9rie d'approches, parmi lesquelles le d\u00e9veloppement continu, la s\u00e9paration des fonctions en plusieurs microservices ind\u00e9pendants, le test automatis\u00e9 et le d\u00e9ploiement de changements, le suivi global de la fonctionnalit\u00e9, le syst\u00e8me de r\u00e9ponse op\u00e9rationnelle aux pannes d\u00e9tect\u00e9es, etc.\u00a0<\/p>\n<p>DevOps a d\u00e9fini le cycle de vie des logiciels et l'id\u00e9e a \u00e9merg\u00e9 dans la communaut\u00e9 des sp\u00e9cialistes d'appliquer la m\u00eame m\u00e9thodologie aux grands ensembles de donn\u00e9es. DataOps est une tentative d'adapter et d'\u00e9largir la m\u00e9thodologie en tenant compte des particularit\u00e9s de stockage, de transmission et de traitement de grands volumes de donn\u00e9es sur diverses plateformes interconnect\u00e9es.<br \/>\n\u00a0\u00a0<br \/>\nAvec un certain nombre critique de mod\u00e8les de machine learning int\u00e9gr\u00e9s dans les processus m\u00e9tier des entreprises, une forte similitude a \u00e9t\u00e9 observ\u00e9e entre le cycle de vie des mod\u00e8les math\u00e9matiques de machine learning et celui des logiciels. La seule diff\u00e9rence est que les algorithmes des mod\u00e8les sont cr\u00e9\u00e9s \u00e0 l'aide d'outils et de m\u00e9thodes de machine learning. Il en r\u00e9sulte naturellement l'id\u00e9e d'appliquer et d'adapter les approches de d\u00e9veloppement logiciel d\u00e9j\u00e0 connues pour les mod\u00e8les de machine learning. Ainsi, dans le cycle de vie des mod\u00e8les de machine learning, on peut distinguer les \u00e9tapes cl\u00e9s suivantes :<\/p>\n<ul>\n<li>d\u00e9finition de l'id\u00e9e commerciale;\n<\/li>\n<li>entra\u00eenement du mod\u00e8le;\n<\/li>\n<li>test et d\u00e9ploiement du mod\u00e8le dans le processus m\u00e9tier;\n<\/li>\n<li>exploitation du mod\u00e8le.\n<\/li>\n<\/ul>\n<p>\nLorsqu'il est n\u00e9cessaire de modifier ou de r\u00e9entra\u00eener le mod\u00e8le sur de nouvelles donn\u00e9es dans le cadre de l'exploitation, le cycle red\u00e9marre - le mod\u00e8le est retravaill\u00e9, test\u00e9 et une nouvelle version est d\u00e9ploy\u00e9e.<\/p>\n<blockquote><p>Remarque. Pourquoi r\u00e9entra\u00eener plut\u00f4t que surentra\u00eener ? Le terme \u00ab surentra\u00eenement du mod\u00e8le \u00bb a une double signification : parmi les sp\u00e9cialistes, il d\u00e9signe un d\u00e9faut du mod\u00e8le, lorsque le mod\u00e8le pr\u00e9dit bien, r\u00e9p\u00e9tant en fait le param\u00e8tre pr\u00e9dit sur l'\u00e9chantillon d'apprentissage, mais fonctionne beaucoup moins bien sur un \u00e9chantillon externe de donn\u00e9es. Naturellement, un tel mod\u00e8le est d\u00e9fectueux, car ce d\u00e9faut ne permet pas de l'appliquer.<\/p><\/blockquote>\n<p>\nDans ce cycle de vie, il semble logique d'utiliser des outils DevOps : tests automatis\u00e9s, d\u00e9ploiement et surveillance, pr\u00e9sentation du calcul des mod\u00e8les sous forme de microservices distincts. Cependant, il existe \u00e9galement plusieurs particularit\u00e9s qui emp\u00eachent l'application directe de ces outils sans une connexion ML suppl\u00e9mentaire.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps : DevOps dans le monde de l&#039;apprentissage automatique\" src=\"\/wp-content\/uploads\/2020\/06\/e1d01fd68c3f0071f925a82c08d29d25.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<\/p>\n<h2>Comment faire fonctionner les mod\u00e8les et en tirer profit<\/h2>\n<p>\n\u00c0 titre d'exemple pour illustrer l'application de l'approche MLOps, prenons la t\u00e2che classique de robotisation d'un chat de support pour un produit bancaire (ou tout autre). En g\u00e9n\u00e9ral, le processus commercial de support par chat se d\u00e9roule comme suit : le client saisit un message avec une question dans le chat et re\u00e7oit une r\u00e9ponse de l'expert selon un arbre de dialogues pr\u00e9d\u00e9fini. La t\u00e2che d'automatisation d'un tel chat est g\u00e9n\u00e9ralement r\u00e9solue \u00e0 l'aide de syst\u00e8mes de r\u00e8gles d\u00e9finis par des experts, tr\u00e8s laborieux \u00e0 d\u00e9velopper et \u00e0 maintenir. L'efficacit\u00e9 de cette automatisation, selon le niveau de complexit\u00e9 de la t\u00e2che, peut atteindre 20 \u00e0 30 %. Naturellement, l'id\u00e9e \u00e9merge que l'impl\u00e9mentation d'un module d'intelligence artificielle \u2013 un mod\u00e8le d\u00e9velopp\u00e9 \u00e0 l'aide de l'apprentissage automatique \u2013 est plus b\u00e9n\u00e9fique car il :<\/p>\n<ul>\n<li>est capable de traiter un plus grand nombre de requ\u00eates sans l'intervention d'un op\u00e9rateur (selon le sujet, dans certains cas, l'efficacit\u00e9 peut atteindre 70 \u00e0 80 %) ;\n<\/li>\n<li>s'adapte mieux aux formulations non standards dans le dialogue \u2013 sait identifier l'intention, le v\u00e9ritable d\u00e9sir de l'utilisateur \u00e0 partir d'une demande mal formul\u00e9e ;\n<\/li>\n<li>sait d\u00e9terminer quand la r\u00e9ponse du mod\u00e8le est ad\u00e9quate, et quand il existe des doutes quant \u00e0 la \u00ab connaissance \u00bb de cette r\u00e9ponse, n\u00e9cessitant de poser une question de clarification suppl\u00e9mentaire ou de passer \u00e0 un op\u00e9rateur ;\n<\/li>\n<li>peut \u00eatre r\u00e9apprise automatiquement (au lieu d'un groupe de d\u00e9veloppeurs adaptant et corrigeant constamment les sc\u00e9narios de r\u00e9ponse, un sp\u00e9cialiste en Data Science r\u00e9apprend le mod\u00e8le, en utilisant les biblioth\u00e8ques d'apprentissage automatique appropri\u00e9es).\u00a0\n<\/li>\n<\/ul>\n<p>\n<img decoding=\"async\" alt=\"MLOps : DevOps dans le monde de l&#039;apprentissage automatique\" src=\"\/wp-content\/uploads\/2020\/06\/9ef6356090a250df6cb212ab8bedb5f3.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nComment faire fonctionner un tel mod\u00e8le avanc\u00e9 ?\u00a0<\/p>\n<p>Comme pour toute autre t\u00e2che, avant de d\u00e9velopper un tel module, il est n\u00e9cessaire de d\u00e9finir le processus commercial et de d\u00e9crire formellement la t\u00e2che sp\u00e9cifique que nous allons r\u00e9soudre en appliquant la m\u00e9thode d'apprentissage automatique. C'est \u00e0 ce stade que commence le processus d'op\u00e9rationnalisation, d\u00e9sign\u00e9 par l'abr\u00e9viation Ops.\u00a0<\/p>\n<p>La prochaine \u00e9tape consiste pour le sp\u00e9cialiste des donn\u00e9es \u00e0 collaborer avec l'ing\u00e9nieur en donn\u00e9es afin de v\u00e9rifier la disponibilit\u00e9 et l'ad\u00e9quation des donn\u00e9es, ainsi que l'hypoth\u00e8se commerciale sur la viabilit\u00e9 de l'id\u00e9e d'affaires, en d\u00e9veloppant un prototype de mod\u00e8le et en v\u00e9rifiant son efficacit\u00e9 r\u00e9elle. Ce n'est qu'apr\u00e8s la confirmation par l'entreprise que la transition de la phase de d\u00e9veloppement du mod\u00e8le \u00e0 son int\u00e9gration dans les syst\u00e8mes ex\u00e9cutant un processus commercial sp\u00e9cifique peut commencer. Une planification globale de l'int\u00e9gration, ainsi qu'une compr\u00e9hension approfondie, \u00e0 chaque \u00e9tape, de la mani\u00e8re dont le mod\u00e8le sera utilis\u00e9 et de l'impact \u00e9conomique qu'il apportera, sont fondamentales dans les processus d'impl\u00e9mentation des approches MLOps dans le paysage technologique de l'entreprise.<\/p>\n<p>Avec l'\u00e9volution des technologies de l'IA, le nombre et la vari\u00e9t\u00e9 des t\u00e2ches pouvant \u00eatre r\u00e9solues par l'apprentissage automatique augmentent de mani\u00e8re exponentielle. Chaque processus commercial entra\u00eene des \u00e9conomies pour l'entreprise gr\u00e2ce \u00e0 l'automatisation des t\u00e2ches de postes de masse (centre d'appels, v\u00e9rification et tri de documents, etc.), une expansion de la base de clients gr\u00e2ce \u00e0 l'ajout de nouvelles fonctionnalit\u00e9s attrayantes et pratiques, des \u00e9conomies de co\u00fbts gr\u00e2ce \u00e0 une utilisation optimale et \u00e0 un r\u00e9affectation des ressources, et bien plus encore. In fine, chaque processus est ax\u00e9 sur la cr\u00e9ation de valeur et doit donc g\u00e9n\u00e9rer un certain effet \u00e9conomique. Il est crucial de formuler clairement l'id\u00e9e commerciale et d'estimer le b\u00e9n\u00e9fice attendu de l'impl\u00e9mentation du mod\u00e8le dans la structure globale de cr\u00e9ation de valeur de l'entreprise. Des situations se pr\u00e9sentent parfois o\u00f9 l'impl\u00e9mentation du mod\u00e8le n'est pas rentable, et le temps que les sp\u00e9cialistes de l'apprentissage automatique y consacrent est bien plus co\u00fbteux qu'un poste d'op\u00e9rateur effectuant cette t\u00e2che. C'est pourquoi il est essentiel d'identifier ces cas le plus t\u00f4t possible dans la cr\u00e9ation de syst\u00e8mes d'IA.<\/p>\n<p>Par cons\u00e9quent, le mod\u00e8le commence \u00e0 g\u00e9n\u00e9rer des profits uniquement lorsqu'une t\u00e2che commerciale a \u00e9t\u00e9 correctement formul\u00e9e dans le cadre de MLOps, que les priorit\u00e9s ont \u00e9t\u00e9 \u00e9tablies, et qu'un processus d'int\u00e9gration du mod\u00e8le dans le syst\u00e8me a \u00e9t\u00e9 d\u00e9fini d\u00e8s les premi\u00e8res \u00e9tapes de d\u00e9veloppement.<\/p>\n<h2>Nouveau processus \u2013 nouveaux d\u00e9fis<\/h2>\n<p>\nUne r\u00e9ponse compl\u00e8te \u00e0 la question fondamentale des entreprises concernant l'applicabilit\u00e9 des mod\u00e8les d'apprentissage machine pour la r\u00e9solution de probl\u00e8mes, la question g\u00e9n\u00e9rale de la confiance envers l'IA \u2014 est l'un des d\u00e9fis cl\u00e9s dans le d\u00e9veloppement et la mise en \u0153uvre des approches MLOps. Au d\u00e9part, les entreprises per\u00e7oivent avec scepticisme l'int\u00e9gration de l'apprentissage machine dans les processus \u2014 il est difficile de se fier \u00e0 des mod\u00e8les dans des domaines o\u00f9 les gens ont traditionnellement travaill\u00e9. Pour les entreprises, les programmes apparaissent comme une \u00ab bo\u00eete noire \u00bb, dont la pertinence des r\u00e9ponses doit encore \u00eatre prouv\u00e9e. De plus, dans le secteur bancaire, les entreprises de t\u00e9l\u00e9communications et d'autres secteurs, il existe des exigences strictes de la part des r\u00e9gulateurs gouvernementaux. Tous les syst\u00e8mes et algorithmes int\u00e9gr\u00e9s dans les processus bancaires sont soumis \u00e0 un audit. Pour r\u00e9soudre ce d\u00e9fi, prouver aux entreprises et aux r\u00e9gulateurs la validit\u00e9 et la correction des r\u00e9ponses de l'intelligence artificielle, des outils de surveillance sont int\u00e9gr\u00e9s avec le mod\u00e8le. De plus, il existe une proc\u00e9dure de validation ind\u00e9pendante, obligatoire pour les mod\u00e8les r\u00e9glementaires, qui r\u00e9pond aux exigences de la Banque centrale. Un groupe d'experts ind\u00e9pendant effectue un audit des r\u00e9sultats obtenus par le mod\u00e8le en tenant compte des donn\u00e9es d'entr\u00e9e.<\/p>\n<p>Le deuxi\u00e8me d\u00e9fi est l'\u00e9valuation et la prise en compte des risques li\u00e9s aux mod\u00e8les lors de l'int\u00e9gration d'un mod\u00e8le d'apprentissage machine. M\u00eame une personne ne peut pas r\u00e9pondre avec une certitude absolue \u00e0 la question de savoir si cette robe \u00e9tait blanche ou bleue, donc l'intelligence artificielle a aussi le droit de se tromper. Il faut \u00e9galement prendre en compte que les donn\u00e9es peuvent \u00e9voluer avec le temps, et les mod\u00e8les doivent \u00eatre r\u00e9entra\u00een\u00e9s pour fournir des r\u00e9sultats suffisamment pr\u00e9cis. Pour que le processus commercial ne soit pas affect\u00e9, il est n\u00e9cessaire de g\u00e9rer les risques li\u00e9s aux mod\u00e8les et de surveiller le fonctionnement du mod\u00e8le, en le r\u00e9entra\u00eenant r\u00e9guli\u00e8rement sur de nouvelles donn\u00e9es.<\/p>\n<p><img decoding=\"async\" alt=\"MLOps : DevOps dans le monde de l&#039;apprentissage automatique\" src=\"\/wp-content\/uploads\/2020\/06\/cb97ff0eab95d81e17bf76aad3c3994e.jpeg\" style=\"display:block;margin: 0 auto;\" \/><br \/>\n<br \/>\nMais apr\u00e8s la premi\u00e8re phase de m\u00e9fiance, un effet inverse commence \u00e0 se manifester. Plus il y a de mod\u00e8les qui sont int\u00e9gr\u00e9s avec succ\u00e8s dans les processus, plus l'app\u00e9tit des entreprises pour l'utilisation de l'intelligence artificielle grandit \u2014 de nouveaux d\u00e9fis apparaissent, qui peuvent \u00eatre r\u00e9solus par des m\u00e9thodes d'apprentissage machine. Chaque t\u00e2che d\u00e9clenche un processus entier, n\u00e9cessitant diverses comp\u00e9tences :<\/p>\n<ul>\n<li>les data engineers pr\u00e9parent et traitent les donn\u00e9es ;\n<\/li>\n<li>les data scientists appliquent des outils d'apprentissage machine et d\u00e9veloppent le mod\u00e8le ;\n<\/li>\n<li>L'IT int\u00e8gre le mod\u00e8le dans le syst\u00e8me;\n<\/li>\n<li>L'ing\u00e9nieur ML d\u00e9termine comment int\u00e9grer correctement ce mod\u00e8le dans le processus, quel outil IT utiliser en fonction des exigences relatives au mode d'application du mod\u00e8le, en tenant compte du flux des requ\u00eates, du temps de r\u00e9ponse, etc.\u00a0\n<\/li>\n<li>L'architecte ML con\u00e7oit comment r\u00e9aliser physiquement le produit logiciel dans un syst\u00e8me industriel.\n<\/li>\n<\/ul>\n<p>\nL'ensemble du cycle n\u00e9cessite un grand nombre de sp\u00e9cialistes hautement qualifi\u00e9s. \u00c0 un certain stade de d\u00e9veloppement et de p\u00e9n\u00e9tration des mod\u00e8les ML dans les processus commerciaux, il s'av\u00e8re que l'augmentation lin\u00e9aire du nombre de sp\u00e9cialistes proportionnellement \u00e0 l'augmentation du nombre de t\u00e2ches devient co\u00fbteuse et inefficace. C'est pourquoi se pose la question de l'automatisation du processus MLOps - la d\u00e9finition de plusieurs classes standard de t\u00e2ches d'apprentissage automatique, le d\u00e9veloppement de pipelines typiques de traitement des donn\u00e9es et de r\u00e9entra\u00eenement des mod\u00e8les. Dans un sc\u00e9nario id\u00e9al pour r\u00e9soudre de telles t\u00e2ches, des professionnels ayant des comp\u00e9tences \u00e9quivalentes dans les domaines de Big Data, Data Science, DevOps et IT sont n\u00e9cessaires. Ainsi, le plus grand probl\u00e8me de l'industrie de la Data Science et le plus grand d\u00e9fi lors de l'organisation des processus MLOps est l'absence d'une telle comp\u00e9tence sur le march\u00e9 de la formation des ressources humaines. Les sp\u00e9cialistes r\u00e9pondant \u00e0 ces crit\u00e8res sont actuellement rares sur le march\u00e9 du travail et sont tr\u00e8s recherch\u00e9s.<\/p>\n<h2>Concernant les comp\u00e9tences<\/h2>\n<p>\nEn th\u00e9orie, toutes les t\u00e2ches MLOps peuvent \u00eatre r\u00e9solues avec des outils classiques de DevOps sans recourir \u00e0 une extension sp\u00e9cialis\u00e9e du mod\u00e8le de r\u00f4le. Comme nous l'avons d\u00e9j\u00e0 mentionn\u00e9, le data scientist doit \u00eatre non seulement un math\u00e9maticien et un sp\u00e9cialiste de l'analyse des donn\u00e9es, mais aussi un gourou de l'ensemble du pipeline - il est responsable de la conception de l'architecture, de la programmation des mod\u00e8les dans plusieurs langages en fonction de l'architecture, de la pr\u00e9paration de la vitrine des donn\u00e9es et du d\u00e9ploiement de l'application elle-m\u00eame. Cependant, la cr\u00e9ation d'une infrastructure technologique mise en \u0153uvre dans le processus continu de MLOps repr\u00e9sente jusqu'\u00e0 80 % de la charge de travail, ce qui signifie qu'un math\u00e9maticien qualifi\u00e9, qui est un bon Data Scientist, ne consacrera que 20 % de son temps \u00e0 sa sp\u00e9cialit\u00e9. Par cons\u00e9quent, la d\u00e9limitation des r\u00f4les des sp\u00e9cialistes impliqu\u00e9s dans le processus d'int\u00e9gration des mod\u00e8les d'apprentissage automatique devient une n\u00e9cessit\u00e9 vitale.\u00a0<\/p>\n<p>La fa\u00e7on dont les r\u00f4les doivent \u00eatre clairement d\u00e9finis d\u00e9pend de l'\u00e9chelle de l'entreprise. D'un c\u00f4t\u00e9, dans une startup, un seul sp\u00e9cialiste, multit\u00e2che et polyvalent, peut agir \u00e0 la fois comme ing\u00e9nieur, architecte et DevOps. D'un autre c\u00f4t\u00e9, dans une grande entreprise, tous les processus de d\u00e9veloppement de mod\u00e8les sont concentr\u00e9s entre les mains de quelques sp\u00e9cialistes de Data Science de haut niveau, tandis qu'un programmeur ou un sp\u00e9cialiste des bases de donn\u00e9es, qui est une comp\u00e9tence plus commune et moins co\u00fbteuse sur le march\u00e9 du travail, peut assumer une grande partie des t\u00e2ches routini\u00e8res.<\/p>\n<p>Ainsi, la limite entre le choix des sp\u00e9cialistes pour assurer le processus MLOps et la fa\u00e7on dont le processus op\u00e9rationnel des mod\u00e8les d\u00e9velopp\u00e9s est organis\u00e9 d\u00e9pend directement de la vitesse et de la qualit\u00e9 des mod\u00e8les d\u00e9velopp\u00e9s, de la productivit\u00e9 de l'\u00e9quipe et du climat de travail au sein de celle-ci.<\/p>\n<h2>Ce que notre \u00e9quipe a d\u00e9j\u00e0 accompli<\/h2>\n<p>\nNous avons r\u00e9cemment commenc\u00e9 \u00e0 construire la structure des comp\u00e9tences et les processus MLOps. Mais d\u00e9j\u00e0 \u00e0 ce stade, nos projets de gestion du cycle de vie des mod\u00e8les et d'application des mod\u00e8les en tant que service sont en phase de test pour un produit minimum viable (MVP).<\/p>\n<p>Nous avons \u00e9galement d\u00e9fini la structure de comp\u00e9tences optimale et l'organisation de l'interaction entre tous les participants au processus pour une grande entreprise. Des \u00e9quipes Agile ont \u00e9t\u00e9 mises en place, r\u00e9solvant des probl\u00e8mes pour l'ensemble du spectre des clients commerciaux, et un processus d'interaction avec les \u00e9quipes de projet a \u00e9t\u00e9 \u00e9tabli pour la cr\u00e9ation de plateformes et d'infrastructures, qui constituent la base de la construction de MLOps.<\/p>\n<h2>Questions pour l'avenir<\/h2>\n<p>\nMLOps est un domaine en d\u00e9veloppement, qui souffre d'un manque de comp\u00e9tences et qui prendra de l'ampleur \u00e0 l'avenir. Pour l'instant, il est pr\u00e9f\u00e9rable de s'appuyer sur les acquis et pratiques de DevOps. L'objectif principal de MLOps est d'utiliser plus efficacement les mod\u00e8les de ML pour r\u00e9soudre des probl\u00e8mes commerciaux. Cependant, de nombreuses questions se posent :<\/p>\n<ul>\n<li>Comment r\u00e9duire le temps de mise en production des mod\u00e8les ?\n<\/li>\n<li>Comment r\u00e9duire les frictions bureaucratiques entre les \u00e9quipes de diff\u00e9rentes comp\u00e9tences et am\u00e9liorer la collaboration ?\n<\/li>\n<li>Comment suivre les mod\u00e8les, g\u00e9rer les versions et organiser un suivi efficace ?\n<\/li>\n<li>Comment cr\u00e9er un v\u00e9ritable cycle de vie cyclique pour un mod\u00e8le de ML moderne ?\n<\/li>\n<li>Comment standardiser le processus d'apprentissage automatique ?\n<\/li>\n<\/ul>\n<p>\nLes r\u00e9ponses \u00e0 ces questions d\u00e9termineront en grande partie la vitesse \u00e0 laquelle MLOps r\u00e9alisera son potentiel complet.<br \/>\n<br \/>Source : <a content=\"nofollow\" rel=\"nofollow\" href=\"https:\/\/habr.com\/ru\/company\/vtb\/blog\/508012\/\">habr.com<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"<p>\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435. \u0412 \u043f\u0435\u0440\u0441\u043f\u0435\u043a\u0442\u0438\u0432\u0435 MLOps \u043c\u043e\u0436\u0435\u0442 \u0441\u0442\u0430\u0442\u044c \u043e\u0434\u043d\u043e\u0439 \u0438\u0437 \u043d\u0430\u0438\u0431\u043e\u043b\u0435\u0435 \u0432\u043e\u0441\u0442\u0440\u0435\u0431\u043e\u0432\u0430\u043d\u043d\u044b\u0445 \u0441\u0444\u0435\u0440 \u0432 IT. \u0427\u0442\u043e \u0436\u0435 \u044d\u0442\u043e \u0442\u0430\u043a\u043e\u0435 \u0438 \u0441 \u0447\u0435\u043c \u0435\u0433\u043e \u0435\u0434\u044f\u0442, \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0435\u043c\u0441\u044f \u043f\u043e\u0434 \u043a\u0430\u0442\u043e\u043c. \u0427\u0442\u043e \u0442\u0430\u043a\u043e\u0435 MLOps MLOps (\u043e\u0431\u044a\u0435\u0434\u0438\u043d\u0435\u043d\u0438\u0435 [&hellip;]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":86524,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[688],"tags":[],"class_list":["post-86523","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-administrirovanie"],"aioseo_notices":[],"aioseo_head":"\n\t\t<!-- All in One SEO 5.0.2 - aioseo.com -->\n\t<meta name=\"description\" content=\"\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435.\" \/>\n\t<meta name=\"robots\" content=\"max-image-preview:large\" \/>\n\t<meta name=\"author\" content=\"Yuri Gagarin\"\/>\n\t<link rel=\"canonical\" href=\"https:\/\/prohoster.info\/fr\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t<meta name=\"generator\" content=\"All in One SEO (AIOSEO) 5.0.2\" \/>\n\t\t<meta property=\"og:locale\" content=\"fr_FR\" \/>\n\t\t<meta property=\"og:site_name\" content=\"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b\" \/>\n\t\t<meta property=\"og:type\" content=\"article\" \/>\n\t\t<meta property=\"og:title\" content=\"\ud83e\udd47MLOps: DevOps \u0432 \u043c\u0438\u0440\u0435 Machine Learning | ProHoster\" \/>\n\t\t<meta property=\"og:description\" content=\"\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435.\" \/>\n\t\t<meta property=\"og:url\" content=\"https:\/\/prohoster.info\/fr\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning\" \/>\n\t\t<meta property=\"og:image\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:secure_url\" content=\"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg\" \/>\n\t\t<meta property=\"og:image:width\" content=\"350\" \/>\n\t\t<meta property=\"og:image:height\" content=\"350\" \/>\n\t\t<meta property=\"article:published_time\" content=\"2020-06-26T05:42:14+00:00\" \/>\n\t\t<meta property=\"article:modified_time\" content=\"2020-06-26T05:42:14+00:00\" \/>\n\t\t<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<meta property=\"article:author\" content=\"https:\/\/www.facebook.com\/prohoster\" \/>\n\t\t<!-- All in One SEO -->\n\n","aioseo_head_json":{"title":"\ud83e\udd47MLOps : DevOps dans le monde de l'apprentissage automatique | ProHoster","description":"En 2018, le terme MLOps a \u00e9merg\u00e9 dans les cercles professionnels et lors de conf\u00e9rences consacr\u00e9es \u00e0 l'IA, se consolidant rapidement dans l'industrie et se d\u00e9veloppant maintenant en tant que domaine autonome.","canonical_url":"https:\/\/prohoster.info\/fr\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"fr_FR","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47MLOps: DevOps \u0432 \u043c\u0438\u0440\u0435 Machine Learning | ProHoster","og:description":"\u0412 2018 \u0433\u043e\u0434\u0443 \u0432 \u043f\u0440\u043e\u0444\u0435\u0441\u0441\u0438\u043e\u043d\u0430\u043b\u044c\u043d\u044b\u0445 \u043a\u0440\u0443\u0433\u0430\u0445 \u0438 \u043d\u0430 \u0442\u0435\u043c\u0430\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u043a\u043e\u043d\u0444\u0435\u0440\u0435\u043d\u0446\u0438\u044f\u0445, \u043f\u043e\u0441\u0432\u044f\u0449\u0435\u043d\u043d\u044b\u0445 AI, \u043f\u043e\u044f\u0432\u0438\u043b\u043e\u0441\u044c \u043f\u043e\u043d\u044f\u0442\u0438\u0435 MLOps, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0431\u044b\u0441\u0442\u0440\u043e \u0437\u0430\u043a\u0440\u0435\u043f\u0438\u043b\u043e\u0441\u044c \u0432 \u043e\u0442\u0440\u0430\u0441\u043b\u0438 \u0438 \u0441\u0435\u0439\u0447\u0430\u0441 \u0440\u0430\u0437\u0432\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u043a\u0430\u043a \u0441\u0430\u043c\u043e\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u043d\u043e\u0435 \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435.","og:url":"https:\/\/prohoster.info\/fr\/blog\/administrirovanie\/mlops-devops-v-mire-machine-learning","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2020-06-26T05:42:14+00:00","article:modified_time":"2020-06-26T05:42:14+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"86523","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":null,"breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-02-28 14:13:23","updated":"2022-09-28 09:22:54","focus_keyword":null,"additional_keywords":null,"truseo_locale":null},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts\/86523","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/comments?post=86523"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/posts\/86523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/media\/86524"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/media?parent=86523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/categories?post=86523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/fr\/wp-json\/wp\/v2\/tags?post=86523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}