Un guide pour prendre conscience des risques auxquels vous êtes exposés et quelques conseils pour vous en prémunir.

Cet article est la troisième partie d'une série dans laquelle nous passons en revue le processus de journalisation des modèles à l'aide de Mlflow, de les servir sur le moteur Kubernetes et enfin de les mettre à l'échelle en fonction des besoins de notre application. Bien que cet article puisse être utilisé indépendamment pour tester n'importe quelle réponse d'API, nous vous recommandons de lire nos deux articles précédents (partie 1 et partie 2) sur la façon de déployer une instance de suivi et de servir un modèle en tant qu'API avec Mlflow. Dans la suite de cet article, nous nous intéresserons à la question de la scalabilité et nous l'aborderons avec quelques expériences pour comprendre le comportement du cluster k8s et donner des recommandations sur la façon de gérer des charges élevées.

25 octobre 2021 Cet article est la deuxième partie d'une série dans laquelle nous parcourons le processus de journalisation des modèles à l'aide de Mlflow, de les servir en tant que point de terminaison d'API, et enfin de les mettre à l'échelle en fonction des besoins de notre application. Nous vous encourageons à lire notre article précédent dans lequel nous montrons comment déployer une instance de tracking sur k8s et vérifier les prérequis pratiques (secrets, variables d'environnement...) car nous continuerons à nous appuyer sur eux ici. Dans ce qui suit, nous montrons comment servir un modèle d'apprentissage automatique qui est déjà enregistré dans Mlflow et l'exposer en tant que point de terminaison d'API sur k8s.

22 octobre 2021 MLflow est un outil couramment utilisé pour le suivi des expériences d'apprentissage automatique, le versionnage des modèles et le service. Dans notre premier article de la série “Serving ML models at scale”, nous expliquons comment déployer l'instance de suivi sur Kubernetes et l'utiliser pour enregistrer les expériences et stocker les modèles.

22 septembre 2021 Vous avez besoin d'une base de référence pour votre dernier projet de prévision de séries temporelles ? Vous voulez expliquer le processus de décision d'un modèle prédictif à une entreprise audience ? Vous aimeriez comprendre si les prix des voitures sont saisonniers avant d'en acheter une nouvelle ? Nous avons peut-être quelque chose pour vous ! Cet article présente Streamlit Prophet, une application web qui aide les scientifiques data à former, évaluer et optimiser les modèles de prévision de manière visuelle. Les prévisions sont réalisées à l'aide de Prophet, un modèle rapide et facilement interprétable.