Quels sont les outils MLOps ?

Les outils courants sont DVC pour la version des données, ClearML, AWS Sage Maker, Neptune et Qwak pour la gestion des expériences, Aporia pour la surveillance des modèles. Certains outils s'étendent pour inclure plus de fonctions en un seul outil comme CoreAI (solution sur site) et IguazIO. Les opérations d'apprentissage automatique sont la gestion des versions logicielles suralimentée combinée avec DevOps. La reconstruction d'une expérience IA / ML aboutissant à un modèle implique un grand nombre de variables, telles que les hyperparamètres, les versions des données elles-mêmes. De plus, passer en production est plus qu'un simple emballage CI/CD du modèle et sa préparation pour le service, c'est aussi la capacité de surveiller la performance du modèle et de détecter les dérives dans les données. Enfin, c'est la capacité d'intégrer l'expert du domaine dans le processus et d'analyser les changements avec le Data Scientist. En résumé, les principaux composants de MLOPS sont : Versionnage des données | Gestion de la recherche et des expériences | Performance du modèle en production | Automatisation du processus de recherche | Surveillance des données