francisquintallauzon / cvops Goto Github PK
View Code? Open in Web Editor NEWML Ops training at CRIM
License: GNU General Public License v3.0
ML Ops training at CRIM
License: GNU General Public License v3.0
Il faut tout d'abord avoir un espace de travail.
Comme l'opérationnalisation est un travail d'équipe, l'espace de travail doit être collaboratif.
Un dépôt de code sera donc utilisé pour ce module. Les rétroactions et questions tout au long du module pourront se faire à travers le mécanisme de Pull Requests.
Créer un compte GitHub, au besoin
Créer un dépôt de code ouvert
Dans une nouvelle branche
Créer une structure de package Python avec Setuptools
Créer un environnement virtuel avec Conda
https://setuptools.pypa.io/en/latest/userguide/quickstart.html#
https://www.fullstackpython.com/application-dependencies.html
https://docs.python-guide.org/dev/virtualenvs/
https://realpython.com/python-virtual-environments-a-primer/
https://towardsdatascience.com/a-guide-to-conda-environments-bc6180fc533
Conteneurisation avec Docker
Une fois que nous avons un API, nous pouvons alors la conteneuriser afin de faciliter son déploiement, qu'il s'agisse d'une machine locale, un serveur distant ou un service de déploiement.
Pour cette leçon, vous devrez:
Documentation et références
Package the API with Docker
https://docker-curriculum.com/
https://www.fullstackpython.com/docker.html
FDSL 2022 Leçon 5
Un modèle, c'est bien, mais pour l'utiliser dans un contexte de production, il faut le rendre facilement accessible à d'autres processus ou services. Pour les besoins de cette formation, nous encapsulerons notre modèle dans une API web.
Pour cette leçon, vous devrez:
Documentation et références
https://fastapi.tiangolo.com/tutorial/
https://medium.com/machine-learning-india/deploy-machine-learning-models-using-fastapi-a-step-by-step-walkthrough-f812ca8043ad
https://neptune.ai/blog/packaging-ml-models
https://towardsdatascience.com/how-to-deploy-a-machine-learning-model-with-fastapi-docker-and-github-actions-13374cbd638a
https://medium.com/analytics-vidhya/serve-a-machine-learning-model-using-sklearn-fastapi-and-docker-85aabf96729b
Considérations et améliorations
Dans le cadre de ce cours, un modèle générique a été exposé via un service web générique.
Au niveau de l'exposition de modèles, des options telles que TorchServe pour exposer les modèles construits via PyTorch et TensorFlow Serving pour les modèles ayant été faits dans l'écosystème de TensorFlow peuvent rehausser la qualité du service exposé puisque ces façons de faire sont optimisées pour des besoins spécifiques.
Idées de sujets pour aller plus loin
Données
Modèles
Exposition
Pour cette dernière étape d'implémentation, nous allons expérimenter avec le déploiement d'un modèle et l'observabilité.
Les façons de déployer et observer un modèle sont bien nombreuses. Pour les besoins de cette formation, nous irons avec une approche plus minimaliste.
Malgré que ceci représente notre dernière étape pour ce module, elle n'est bien souvent que le début de la vie d'une application. Les outils et automatisations que vous avez implémentés lors des chapitres précédents seront cruciaux pour faciliter sa maintenance.
Pour cette leçon, vous devrez:
Nous ne nous aventurerons pas trop en profondeur sur ce sujet dans le cadre de ce module, mais l'objectif de tout ce que nous avons construit dans ce module est de faciliter l'apprentissage continu en favorisant la reproductibilité des processus d'entrainement, de validation et de déploiement d'une application.
Documentation et références
https://towardsdatascience.com/mlops-model-monitoring-101-46de6a578e03
https://neptune.ai/blog/how-to-monitor-your-models-in-production-guide
https://mlops-guide.github.io/MLOps/Monitoring/
https://sentry.io/welcome/
A declarative, efficient, and flexible JavaScript library for building user interfaces.
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
An Open Source Machine Learning Framework for Everyone
The Web framework for perfectionists with deadlines.
A PHP framework for web artisans
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
Some thing interesting about web. New door for the world.
A server is a program made to process requests and deliver data to clients.
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Some thing interesting about visualization, use data art
Some thing interesting about game, make everyone happy.
We are working to build community through open source technology. NB: members must have two-factor auth.
Open source projects and samples from Microsoft.
Google ❤️ Open Source for everyone.
Alibaba Open Source for everyone
Data-Driven Documents codes.
China tencent open source team.