Les projets de ML progressent par phases avec des objectifs, des tâches et des résultats spécifiques. Une compréhension claire des phases de développement du ML permet d'établir les responsabilités d'ingénierie, de gérer les attentes des personnes concernées et d'allouer efficacement les ressources.
Il est essentiel de passer correctement d'une phase à l'autre (souvent de manière itérative) pour concevoir, assembler et créer des modèles de ML qui résolvent des problèmes métier à long terme.
De manière générale, la mise en œuvre d'une solution de ML comprend les phases suivantes:
- Conceptualisation et planification
- Expérimentation
- Création d'un pipeline
- Passage en production
Conceptualisation et planification
Au cours de la phase d'idéation et de planification, vous définissez votre problème en fonction d'une solution de ML et estimez la faisabilité du projet.
- Objectif: Déterminer si le ML est la meilleure solution à votre problème.
- Tâches: analysez la problématique métier pour comprendre les contraintes de votre projet.
- Résultat: document de conception expliquant comment résoudre un problème à l'aide d'une solution de ML. Pour obtenir un exemple de documentation de conception de ML, consultez la page go/ml-design-doc-example.
Une transcription de la vidéo est disponible en regardant la vidéo dans Diffusion. Si la transcription ne s'affiche pas, cliquez sur l'icône de transcription .
Expérimentation
L'expérimentation est au cœur du machine learning. Au cours de cette phase, vous vérifiez qu'une solution de ML est viable. Trouver une solution est un processus itératif. Il n'est pas rare d'effectuer des centaines de tests avant de trouver la bonne combinaison de caractéristiques, d'hyperparamètres et d'architecture de modèle qui résout le problème.
- Objectif: Créer un modèle qui résout le problème métier
- Tâches: testez des fonctionnalités, des hyperparamètres et des architectures de modèle.
- Résultat: un modèle de qualité suffisante pour être mis en production.
Une transcription de la vidéo est disponible en regardant la vidéo dans Diffusion. Si la transcription ne s'affiche pas, cliquez sur l'icône de transcription .
Création et mise en production du pipeline
Au cours de la phase de création et de production du pipeline, vous créez des pipelines pour traiter les données, entraîner un modèle et diffuser des prédictions. Vous déployez ensuite le modèle et les pipelines en production avec l'infrastructure de surveillance et de journalisation nécessaire.
- Objectif: Créer et mettre en œuvre l'infrastructure permettant le scaling, la surveillance et la maintenance des modèles en production.
- Tâches: créez des pipelines pour automatiser de nombreuses tâches afin de maintenir des modèles à jour en production.
- Résultats: pipelines de ML validés.
Une transcription de la vidéo est disponible en regardant la vidéo dans Diffusion. Si la transcription ne s'affiche pas, cliquez sur l'icône de transcription .
Workflow de ML de bout en bout
Le schéma suivant illustre l'ensemble du workflow de ML de bout en bout, répertoriant chaque phase, ainsi que ses tâches et résultats:
Figure 1 : Les quatre principales phases d'un workflow de ML
À retenir
Plusieurs défis existent à chaque phase. Si vous ne vous en rendez pas compte, et si vous ne les planifiez pas, vous risquez de passer à côté de délais, d'ingénieurs frustrés et de projets en échec.