Phase de déploiement du cycle de vie du processus TDSP (Team Data Science Process)
Cet article présente les objectifs, tâches et livrables associés au déploiement du processus TDSP. Ce processus indique un cycle de vie recommandé que votre équipe peut utiliser pour structurer vos projets de science des données. Le cycle de vie décrit les principales étapes que votre équipe effectue, souvent par itération :
- Présentation de l’entreprise
- Acquisition et compréhension des données
- Modélisation
- Déploiement
- Acceptation du client
Voici une représentation visuelle du cycle de vie TDSP :
But
L’objectif de la phase de déploiement est de déployer des modèles avec un pipeline de données dans un environnement de production ou similaire à la production pour l’acceptation par le client final.
Mener à bien la tâche
La tâche principale de cette étape consiste à opérationnaliser le modèle. déployez le modèle et le pipeline sur un environnement de production ou similaire en vue de l’utilisation de l’application.
Faire fonctionner un modèle
Une fois que votre ensemble de modèles fonctionne correctement, votre équipe peut l’utiliser pour les autres applications. En fonction des exigences de l’entreprise, les prédictions sont faites en temps réel ou par lot. Pour déployer des modèles, vous les exposez avec une interface API. Cette interface permet aux utilisateurs d’utiliser facilement le modèle dans différentes applications :
- Sites web
- Tableurs
- Tableaux de bord
- applications métier ;
- Applications principales
Pour obtenir des exemples de fonctionnement du modèle avec Azure Machine Learning, consultez Déployer des modèles de Machine Learning sur Azure. Il est recommandé de générer des données de surveillance dans le modèle de production et le pipeline de données que vous déployez. Cette pratique facilite la création de rapports sur l’état subséquent du système et le dépannage de ce dernier.
Intégrer à MLflow
Pour prendre en charge cette étape, vous pouvez incorporer les fonctionnalités d’Azure Machine Learning suivantes :
Gestion des modèles : pour préparer un déploiement, vous placez un modèle dans un environnement de production ou opérationnel. MLflow gère et versionne des modèles prêts pour le déploiement, ce qui permet d’améliorer l’opérationnalisation.
Service et déploiement de modèles : les fonctionnalités de service de modèle de MLflow facilitent le processus de déploiement. Vous pouvez donc facilement mettre en service des modèles dans différents environnements.
Artifacts
Au cours de cette phase, votre équipe livre :
Tableau de bord d’état affichant les mesures clés et l’intégrité du système. Nous vous recommandons d’utiliser Power BI pour créer un tableau de bord.
Rapport de modélisation final contenant les détails du déploiement.
Document final de l’architecture de la solution.
Documentation examinée par les pairs
Les chercheurs publient des études sur le TDSP dans la documentation examinée par les pairs. Les citations permettent d'étudier d'autres applications ou idées similaires à la TDSP, y compris l'étape du cycle de vie du déploiement.
Contributeurs
Cet article est géré par Microsoft. Il a été écrit à l’origine par les contributeurs suivants.
Auteur principal :
- Mark Tabladillo | Architecte de solution cloud senior
Pour afficher les profils LinkedIn non publics, connectez-vous à LinkedIn.
Ressources associées
Les articles suivants décrivent les autres étapes du cycle de vie TDSP :