Chapitre 1 : Aperçu des systèmes d'apprentissage automatique

1.1 Quand utiliser l'apprentissage automatique
1.2 Comprendre les systèmes d'apprentissage automatique
1.3 Résumé

Chapitre 2 : Introduction à la conception de systèmes d'apprentissage automatique

2.1 Objectifs de l'apprentissage automatique en entreprise
2.2 Configuration système requise pour l'apprentissage automatique
2.3 Processus itératif
2.4 Structuration des problèmes d'apprentissage automatique
2.5 Intelligence contre
données
2.6 Résumé

Chapitre 3 : Principes fondamentaux de l'ingénierie des données

3.1 Sources de données
3.2 Format des données
3.3 Modèle de données
3.4 Moteur de stockage et de traitement des données
3.5 Mode de flux de données
3.6 Traitement par lots vs.
Traitement de flux
3.7 Résumé

Chapitre 4 Données d'entraînement

4.1 Échantillonnage
4.2 Étiquetage
4.3 Problème de déséquilibre des classes
4.4 Augmentation des données
4.5 Résumé

Chapitre 5 : Ingénierie des fonctionnalités

5.1 Caractéristiques apprises vs.
Caractéristiques techniques
5.2 Techniques d'ingénierie des fonctionnalités
5.3 Fuites de données
5.4 Comment concevoir de bonnes fonctionnalités
5.5 Résumé

Chapitre 6 : Développement du modèle et évaluation hors ligne

6.1 Développement et formation du modèle
6.2 Évaluation hors ligne du modèle
6.3 Résumé

Chapitre 7 : Services de déploiement de modèles et de prédiction

7.1 Principes de base du déploiement de l'apprentissage automatique
7.2 Prédiction par lots vs.
Prédictions en ligne
7.3 Compression du modèle
7.4 Apprentissage automatique dans le cloud et en périphérie
7.5 Résumé

Chapitre 8 : Évolution et surveillance de la distribution des données

8.1 Causes de défaillance des systèmes d'apprentissage automatique
8.2 Décalage de la distribution des données
8.3 Surveillance et observabilité
8.4 Résumé

Chapitre 9 : Apprentissage continu et tests en production

9.1 Apprentissage continu
9.2 Tests en production
9.3 Résumé

Chapitre 10 : Infrastructure et outils pour les MLOps

10.1 Stockage et calcul
10.2 Environnement de développement
10.3 Gestion des ressources
10.4 Plateforme d'apprentissage automatique
10.5 Construction vs.
achat
10.6 Résumé

Chapitre 11 : L’aspect humain de l’apprentissage automatique

11.1 Expérience utilisateur
11.2 Structure de l'équipe
11.3 IA responsable
11.4 Résumé

L'histoire « authentique » de l'apprentissage automatique dont le domaine a besoin.

Quand on pense à l'apprentissage automatique, on pense généralement au développement de modèles et aux algorithmes, mais il y a beaucoup plus à prendre en compte lorsqu'on exécute réellement l'apprentissage automatique dans un environnement de production.
Nous devons considérer d'un point de vue holistique les données, les fonctionnalités, le développement du modèle, l'évaluation, le déploiement, la surveillance et l'infrastructure qui constituent un système d'apprentissage automatique.
Étant donné que l'apprentissage automatique en production est largement axé sur les affaires, les exigences relatives aux problèmes commerciaux et les parties prenantes sont également importantes.

Ce livre est basé sur le cours CS329S de Stanford : Conception de systèmes d’apprentissage automatique, un cours de référence dans le domaine émergent du MLOps.
S'appuyant sur son expérience en matière de déploiement et d'exploitation de l'apprentissage automatique dans des entreprises allant de Netflix aux startups, l'auteur Chip Huyen propose diverses approches pour répondre aux questions que vous vous êtes probablement posées, mais auxquelles vous avez eu du mal à trouver des réponses.
Plutôt que de nous concentrer sur l'utilisation d'outils spécifiques, nous nous concentrons sur les concepts, les avantages, les inconvénients et les compromis de chaque technique d'apprentissage automatique, en fournissant des liens vers une multitude de ressources pour vous aider à trouver rapidement plus d'informations.

Public cible

- Les spécialistes de l'apprentissage automatique : ingénieurs en apprentissage automatique, scientifiques des données, ingénieurs de plateformes d'apprentissage automatique, responsables d'ingénierie, etc.
- Développeurs d'outils : Si vous souhaitez identifier les domaines où la production d'apprentissage automatique est sous-financée et trouver comment créer des outils qui s'intègrent à l'écosystème.
- Candidats et étudiants : Si vous recherchez un emploi lié à l'apprentissage automatique.
- Dirigeants technologiques et commerciaux : envisagent d'adopter des solutions d'apprentissage automatique pour améliorer leurs produits et leurs processus métier.

Contenu principal par chapitre

Chapitre 1 : Aperçu des systèmes d'apprentissage automatique

Nous explorerons différents cas d'utilisation de l'apprentissage automatique et discuterons des situations où il est approprié et de celles où il ne l'est pas.
Nous comparons l'apprentissage automatique prêt pour la production avec l'apprentissage automatique prêt pour la recherche et les logiciels traditionnels.

[Chapitre 2 : Introduction à la conception de systèmes d'apprentissage automatique]

Nous explorons un processus itératif pour définir les exigences du système en fonction des objectifs commerciaux et concevoir un système d'apprentissage automatique qui y réponde.
Nous expliquons comment structurer les problèmes d'apprentissage automatique.

[Chapitre 3 : Principes fondamentaux de l'ingénierie des données]

Nous explorerons les différentes sources et formats de données utilisés dans les projets d'apprentissage automatique.
Découvrez les moteurs de stockage de données, les principaux types de traitement et les différents modes de transmission des données entre les processus.

[Chapitre 4 Données d'entraînement]

Nous explorons des techniques permettant d'obtenir des données d'entraînement de haute qualité.
Après avoir exploré différentes techniques d'échantillonnage, nous discutons des difficultés courantes rencontrées lors de la génération de données d'entraînement, notamment la multiplicité des étiquettes et le déséquilibre des classes.

[Chapitre 5 Ingénierie des fonctionnalités]

Nous explorons les techniques d'ingénierie des fonctionnalités et les points clés à prendre en compte.
Nous apprendrons à détecter et à prévenir les fuites de données et nous discuterons de la manière de concevoir de bonnes fonctionnalités.

[Chapitre 6 : Développement du modèle et évaluation hors ligne]

Nous explorerons des conseils utiles pour choisir le meilleur algorithme pour votre tâche, puis nous approfondirons divers aspects du développement de modèles, notamment le débogage, le suivi et le versionnage des expériences, l'entraînement distribué et l'AutoML.

[Chapitre 7 : Services de déploiement de modèles et de prédiction]

Nous explorons les mythes courants entourant le déploiement de l'apprentissage automatique.
Après avoir exploré la prédiction en ligne et par lots, nous allons examiner différentes techniques de compression de modèles.
Nous expliquons comment déployer des modèles sur des périphériques périphériques et dans le cloud.

[Chapitre 8 Décalage et surveillance de la distribution des données]

Nous expliquons pourquoi les modèles d'apprentissage automatique déployés en production échouent.
Nous examinons la question du déplacement de la distribution des données, un sujet largement débattu dans la recherche et la pratique.

Chapitre 9 : Apprentissage continu et tests en production

Nous explorons comment mettre à jour les modèles d'apprentissage automatique pour s'adapter aux changements dans la distribution des données.
Nous explorerons ce qu'est l'apprentissage continu et ses défis, nous discuterons de la fréquence de réentraînement des modèles et des tests en production.

[Chapitre 10 Infrastructure et outils pour MLOps]

Découvrez comment mettre en place l'infrastructure adaptée à votre système d'apprentissage automatique, en fonction de votre échelle de production et de votre contexte.
Nous abordons les quatre couches qui constituent l'infrastructure : le stockage, le calcul, les outils de gestion des ressources, les plateformes d'apprentissage automatique et les environnements de développement.

Chapitre 11 : L’aspect humain de l’apprentissage automatique

Nous expliquons comment la nature probabiliste des modèles d'apprentissage automatique influence l'expérience utilisateur.
Nous explorons les structures organisationnelles qui permettent aux membres développant un système de collaborer efficacement, et nous examinons l'impact des systèmes d'apprentissage automatique sur la société dans son ensemble.