MLOps et gestion des fonctionnalités avec Vertex AI

La transition des modèles de machine learning d'un notebook local vers un environnement de production fiable nécessite des opérations robustes. Ce cours textuel vous guide à travers les principes fondamentaux des opérations de machine learning (MLOps) en mettant l'accent sur la gestion systématique des fonctionnalités. Vous comprendrez comment concevoir, déployer et surveiller des pipelines ML évolutifs. En apprenant à centraliser et à partager des fonctionnalités, vous éviterez les biais d'entraînement et de service et maintiendrez la précision et la fiabilité de vos modèles de production. Ce que vous apprendrez : Comprendre les principes fondamentaux de MLOps et le cycle de vie des systèmes de machine learning en production ; Configurer et gérer des magasins de fonctionnalités centralisés pour partager et servir des fonctionnalités de manière cohérente ; Déployer des pipelines de machine learning évolutifs à l'aide des outils d'orchestration de Vertex AI ; Surveiller les performances des modèles et détecter la dérive des données dans les environnements de production en temps réel ; Appliquer les meilleures pratiques pour la gestion des versions des données, des fonctionnalités et des artefacts de modèles. Le cours commence par des définitions essentielles de MLOps et des concepts architecturaux avant de passer à des guides étape par étape pour l'ingénierie des fonctionnalités, le déploiement de pipelines et la surveillance continue. Conçu pour les futurs ingénieurs ML, les data scientists et les développeurs débutants en MLOps, ce cours ne nécessite aucune expérience préalable de déploiement en production. Commencez à lire dès aujourd'hui pour maîtriser le côté opérationnel du machine learning.