CHAPITRE 1 : Invitation au monde des MLOps

1.1 L'essor des ingénieurs en apprentissage automatique et des MLOps
_1.2 Qu'est-ce que le MLOps ?
1.3 DevOps et MLOps
Théorie de la hiérarchie des besoins MLOps 1.4
__1.4.1 Mise en œuvre DevOps
__1.4.2 Configuration de l'intégration continue à l'aide de GitHub Actions
1.4.3 Opérations de données et ingénierie des données
__1.4.4 Automatisation de la plateforme
__1.4.5 MLOps
_1.5 En conclusion
Essayez-le
Réfléchissez-y.

CHAPITRE 2 Concepts de base pour débuter avec MLOps

2.1 Bash et la ligne de commande Linux
_2.2 Environnement de développement Cloud Shell
_2.3 Interpréteur de commandes Bash
__2.3.1 Liste des fichiers
__2.3.2 Commande d'exécution
__2.3.3 Navigation dans les fichiers
__2.3.4 Entrée/Sortie du shell
__2.3.5 Paramètres du shell
__2.3.6 Écrire un script shell
2.4 Fondements et composants du cloud computing
_2.5 Premiers pas avec le cloud computing
_2.6 Cours intensif de Python
Tutoriel Python 2.7 pour les minimalistes
_2.8 Cours intensif de mathématiques pour programmeurs
2.8.1 Statistiques descriptives et distribution normale
__2.8.2 Optimisation
__[Note du traducteur]
2.9 Concepts fondamentaux de l'apprentissage automatique
2.10 Découverte de la science des données
2.11 Création d'un pipeline simple à partir de zéro
2.12 En conclusion
Essayez-le
Réfléchissez-y.

CHAPITRE 3 MLOps pour les conteneurs et les périphériques de périphérie

_3.1 Conteneur
__3.1.1 Exécution du conteneur
__3.1.2 Création d'un conteneur
__3.1.3 Exécution d'un conteneur
3.1.4 Bonnes pratiques relatives aux conteneurs
3.1.5 Diffusion des modèles via HTTP
3.2 Appareils périphériques
__3.2.1 Google Coral
__3.2.2 Perception Azure
__3.2.3 TensorFlow Hub
__3.2.4 Compilateur TPU Google Coral Edge
3.3 Conteneurs pour systèmes d'apprentissage automatique entièrement gérés
__3.3.1 Échange de conteneurs MLOps
3.3.2 Conteneurs à usages divers
3.4 En conclusion
Essayez-le
Réfléchissez-y.

CHAPITRE 4 : Mise en œuvre de la livraison continue dans les applications d'apprentissage automatique

_4.1 Modèles d'apprentissage automatique pour l'emballage
4.2 Code en tant qu'infrastructure pour le déploiement continu de modèles d'apprentissage automatique
4.3 Utilisation de Cloud Pipelines
4.3.1 Contrôle de la distribution du modèle
4.3.2 Stratégie de test pour le déploiement du modèle
4.4 En conclusion
Essayez-le
Réfléchissez-y.

CHAPITRE 5 AutoML et KaizenML

_5.1 AutoML
__5.1.1 Révolution industrielle MLOps
5.1.2 AutoML vs. KaizenML
__5.1.3 Boutique en ligne
_5.2 Écosystème Apple
5.2.1 AutoML d'Apple : Créer du ML
__5.2.2 Core ML d'Apple
5.3 AutoML et vision par ordinateur en périphérie de Google
_5.4 AutoML sur Azure
_5.5 AWS AutoML
_5.6 AutoML open source
__5.6.1 Ludwig
__5.6.2 FLAML
_5.7 Modèle Explication Puissance
5.8 En conclusion
Essayez-le
Réfléchissez-y.

CHAPITRE 6 SURVEILLANCE ET ENREGISTREMENT

6.1 MLOps et observabilité dans le cloud
__[Note du traducteur]
_6.2 Notions de base de la journalisation
6.3 Mise en pratique de la journalisation en Python
__[Note du traducteur]
6.3.1 Définition du niveau de journalisation
6.3.2 Journalisation simultanée de plusieurs applications
6.4 Surveillance et observabilité
6.4.1 Principes de base de la surveillance des modèles
6.4.2 Surveillance de la dérive dans AWS SageMaker
6.5 Surveillance de la dérive dans Azure Machine Learning
6.6 En conclusion
Essayez-le
Réfléchissez-y.

CHAPITRE 7 MLOps avec AWS

7.1 Premiers pas avec AWS
7.1.1 Essai des produits AWS
7.1.2 AWS et MLOps
Recette de 7,2 MLOps utilisant AWS
__7.2.1 Outils d'interface en ligne de commande
__7.2.2 Microservices Flask
_7.3 Recette AWS Lambda
7.3.1 AWS Lambda-SAM : Utilisation dans un environnement local
__7.3.2 AWS Lambda-SAM : Conteneurisation et déploiement
_7.4 Produits et conseils AWS en matière d'apprentissage automatique pour la résolution de problèmes concrets
__[Entretien] Étude de cas d'un service de réseau social sportif
__[Interview] Conseils de carrière de Julien, évangéliste en apprentissage automatique chez AWS
7.5 En conclusion
Essayez-le
Réfléchissez-y.

CHAPITRE 8 Environnement Azure et MLOps

8.1 Azure CLI et SDK Python
_8.2 Certification
8.2.1 Sujet du service
8.2.2 Authentification du service API
_8.3 Instance de calcul
_8.4 distribution
8.4.1 Enregistrement du modèle
8.4.2 Gestion des versions des jeux de données
__[Note du traducteur]
8.5 Déploiement de modèles sur un cluster de calcul
8.5.1 Configuration d'un cluster
8.5.2 Déploiement du modèle
8.6 Dépannage des problèmes de déploiement
8.6.1 Recherche dans les journaux
8.6.2 Informations sur l'application
8.6.3 Débogage en environnement local
Pipeline d'apprentissage automatique Azure 8.7
8.7.1 Pipeline de publication
__8.7.2 Azure Machine Learning Designer
8.8 Cycle de vie de l'apprentissage automatique
8.9 En conclusion
Essayez-le
Réfléchissez-y.

CHAPITRE 9 Google Cloud Platform et Kubernetes

9.1 Présentation de Google Cloud Platform
9.1.1 Intégration continue et livraison continue
__9.1.2 Bonjour le monde Kubernetes
9.1.3 Sélection et conception de bases de données natives du cloud
_9.2 Opérations de données sur Google Cloud Platform
9.3 Fonctionnement du modèle d'apprentissage automatique
_9.4 En conclusion
Essayez-le
Réfléchissez-y.

CHAPITRE 10 Interopérabilité de l'apprentissage automatique

_10.1 Pourquoi l'interopérabilité est importante
_10.2 ONNX : Open Neural Network Exchange
__10.2.1 Zoo de modèles ONNX
__10.2.2 Conversion de PyTorch en ONNX
__10.2.3 Conversion de TensorFlow en ONNX
__10.2.4 Déploiement de modèles ONNX sur Azure
_10.3 Core ML et ONNX d'Apple
_10.4 Intégration Edge
_10.5 En conclusion
Essayez-le
Réfléchissez-y.

CHAPITRE 11 Outils en ligne de commande MLOps et construction de microservices

_11.1 Emballage Python
_11.2 Fichier des exigences
_11.3 Outils en ligne de commande
__11.3.1 Création d'un linter de jeu de données
__11.3.2 Modularisation des outils en ligne de commande
_11.4 Microservices
__11.4.1 Création d'une fonction sans serveur
__11.4.2 Authentification des fonctions cloud
__11.4.3 Création d'une interface de ligne de commande basée sur le cloud
_11.5 Flux de travail de l'interface de ligne de commande pour l'apprentissage automatique
_11.6 En conclusion
Essayez-le
Réfléchissez-y.

CHAPITRE 12 Études de cas réels de MLOps

12.1 Les avantages inattendus de l'ignorance dans l'apprentissage automatique
Projet MLOps 12.2 pour les réseaux sociaux sportifs
12.2.1 Tâche mécanique répétitive : Étiquetage des données
__12.2.2 Niveau d'influence
12.2.3 Produits d'intelligence artificielle
12.3 Réalité contre technologie parfaite
12.4 Principaux défis du MLOps
12.4.1 Questions éthiques et conséquences imprévues
12.4.2 Manque de capacités opérationnelles
__12.4.3 Devons-nous nous concentrer sur la technologie ou sur les affaires ?
[Entretien] Piero Molino, praticien MLOps
__[Interview] Francesca Lazzeri, praticienne MLOps
_12.5 Recommandations finales pour la mise en œuvre de MLOps
12.5.1 Gouvernance des données et cybersécurité
12.5.2 Concepts et outils fréquemment mentionnés lors de la mise en œuvre de MLOps
_12.6 En conclusion
Essayez-le
Réfléchissez-y.

Annexe A.
qualifications techniques
Annexe B. Conseils pour la création d'un portefeuille technologique pour le MLOps

Le MLOps est connu comme l'évolution du DevOps pour l'ère de l'IA.
En termes simples, le MLOps est le processus d'automatisation de l'apprentissage automatique à l'aide des méthodologies DevOps.
MLOps s'inscrit dans la lignée de DevOps en soulignant l'importance de l'automatisation, l'une des philosophies fondamentales de DevOps.


Le « Guide pratique MLOps » couvre de manière exhaustive non seulement la théorie du MLOps et du DevOps, mais aussi la manière de déployer et de gérer des modèles d'apprentissage automatique dans des environnements d'exploitation réels, l'intégration continue (CI) et la livraison continue (CD), qui sont des éléments essentiels de l'automatisation, et même le concept de Kaizen, qui signifie amélioration continue.
Il comprend également des exemples pratiques de mise en œuvre de MLOps sur des plateformes telles qu'AWS, Azure et Google Cloud Platform, ainsi que des exemples pratiques de MLOps tirés de l'expérience personnelle du traducteur.


Ce livre vise à fournir des explications pertinentes des concepts du MLOps.
Plutôt que d'utiliser ChatGPT pour la traduction, nos traducteurs traduisent directement le texte original et remanient le code source afin de fournir un code pratique pour chaque cas.
De plus, la « Note du traducteur » dans le texte est une explication ajoutée directement par le traducteur en se référant aux informations les plus récentes afin d'aider les lecteurs à mieux comprendre.
À la fin de chaque chapitre, vous pouvez revoir ce que vous avez appris, réfléchir de manière critique et acquérir diverses connaissances sur les MLOps grâce aux exercices « Pratique » et « Réfléchir ».


Public cible

- Les développeurs de logiciels qui doivent rédiger de la documentation en plus du code MLOps
- Les développeurs qui souhaitent expérimenter le MLOps sur différentes plateformes
- Développeurs curieux de découvrir l'ingénierie pour le déploiement concret de services ainsi que le développement de l'apprentissage automatique.