MLOps
The practices for getting machine learning models into production and keeping them working.
Le MLOps applique la pensée DevOps au ML, avec des problèmes supplémentaires : versionnage des données, reproductibilité de l’entraînement, surveillance de la dérive et pipelines de réentraînement. L’idée qu’il encode, c’est qu’un modèle dans un notebook représente à peu près 10 % du travail.
En pratique : Un réentraînement automatique déclenché quand la justesse surveillée passe sous un seuil.