On entend parler de plus en plus de MLOps. Cette pratique qui, inspirée du DevOps, a pour but d’unifier les tâches de développements d’applications de Machine Learning et celles d’opérations.
Dans cet article, nous verrons ce qu’est le MLOps, comment l’on peut le pratiquer et quels sont les outils qui permettent de le pratiquer.
Définition
Le MLOp est l’opérationnalisation de la gestion des modèles de Machine Learning. Cela a pour but de créer un processus de bout en bout pour créer, implémenter et gérer des modèles de machine learning reproductibles, testables et évolutifs. Selon la CDF (Continuous Delivery Foundation) le MLOps :
- A pour but d’unifier le cycle de livraison en machine learning et celui du développement d’application ;
- Permet l’automatisation des tests Machine Learning (Data Validation, test du modèle, test d’intégration du modèle, etc) ;
- Permet l’application des principes agiles au projet Machine Learning ;
- Supporte la création du modèle en CI/CD ;
- Réduit la dette technique des modèles de ML ;
- Doit être indépendant des langages, framework, plateforme, etc.
S’il faut retenir quelque chose de tout ça c’est que : le MLOps est un ensemble de pratiques se voulant le plus agile possible et qui doit être basé sur l’automatisation des processus de livraison et intégration continue d’applications de ML.
Les grandes étapes du MLOps
Comme on l’a vu plus haut, en MLOps il nous faut mettre en place un workflow précis qui prend en compte tout le cycle de vie de notre application ML. Il est important de comprendre que même s’ il existe des recommandations, il n’y a pas de modèle de workflow figé. Il faut établir un workflow qui correspond le mieux à votre projet. Ceci étant dit, un workflow classique pourrait ressembler à ça :
- Design
- Model development
- Operations
Outils de MLOps
Aujourd’hui, il existe un grand nombre d’outils pour différentes tâches de MLOps. Dans la suite nous verrons quelques-uns d’entre eux.
Conclusion
Le MLOps est une pratique qui prône l’agilité et l’automatisation des étapes du cycle de vie d’une application Machine Learning. Il est important de bien comprendre que la façon de pratiquer le MLOps, par définition, n’est pas quelque chose de figé. Il faut adapter les processus, architectures et outils en fonction des réalités de votre environnement. Il existe néanmoins des modèles de workflows dont l’on peut s’inspirer dans la plupart des cas. Chacune des grandes étapes de ces workflows peut être exécutée à l’aide d’un outil précis. Il existe un bon nombre d’outils, propriétaires comme Open Source, facilitant la pratique du MLOps.
