Les projets de ML progressent par phases avec des objectifs, des tâches et des résultats spécifiques. Une compréhension claire des phases de développement du ML permet d'établir les responsabilités d'ingénierie, de gérer les attentes des parties prenantes et d'allouer efficacement les ressources.
Le passage réussi d'une phase à l'autre (souvent de manière itérative) est essentiel pour concevoir, assembler et créer des modèles de ML qui résolvent les problèmes métier à long terme.
De manière générale, l'implémentation d'une solution de ML comprend les phases suivantes :
- Idéation et planification
- Expérimentation
- Création de pipelines
- Passage en production
Idéation et planification
Au cours de la phase d'idéation et de planification, vous définissez votre problème en termes de solution de ML et estimez la faisabilité du projet.
- Objectif : déterminer si le ML est la meilleure solution à votre problème.
- Tâches : analysez le problème commercial pour comprendre les contraintes de votre projet.
- Résultat : document de conception décrivant comment résoudre un problème à l'aide d'une solution de ML.
Expérimentation
L'expérimentation est au cœur du machine learning. Au cours de cette phase, vous vérifiez qu'une solution de ML est viable. Trouver une solution est un processus itératif. Il n'est pas rare d'essayer des centaines d'expériences avant de trouver la bonne combinaison de caractéristiques, d'hyperparamètres et d'architecture de modèle qui résout le problème.
- Objectif : créer un modèle qui résout le problème métier.
- Tâches : testez les caractéristiques, les hyperparamètres et les architectures de modèle.
- Résultat : un modèle de qualité suffisante pour être mis en production.
Création et production de pipelines
Pendant la phase de création et de productionnalisation du pipeline, vous créez des pipelines pour traiter les données, entraîner un modèle et diffuser des prédictions. Vous déployez ensuite le modèle et les pipelines en production avec l'infrastructure de surveillance et de journalisation nécessaire.
- Objectif : créer et implémenter l'infrastructure pour mettre à l'échelle, surveiller et gérer les modèles en production.
- Tâches : créez des pipelines pour automatiser de nombreuses tâches permettant de maintenir des modèles à jour en production.
- Résultats : pipelines de ML validés.
Workflow de ML de bout en bout
Le diagramme suivant illustre l'ensemble du workflow de ML de bout en bout, en listant chaque phase, ainsi que ses tâches et ses résultats :
Figure 1 : Les quatre phases principales d'un workflow de ML.
À retenir
Plusieurs défis existent à chaque phase. Si vous ne les identifiez pas et ne les planifiez pas, vous risquez de manquer des échéances, de frustrer les ingénieurs et d'échouer dans vos projets.