Les plateformes d'opérationnalisation de l'apprentissage automatique (MLOps) permettent aux utilisateurs de gérer et de surveiller les modèles d'apprentissage automatique lorsqu'ils sont intégrés dans des applications commerciales. De plus, bon nombre de ces outils facilitent le déploiement de ces modèles. Avec ces outils, les entreprises peuvent mettre en œuvre des modèles et des algorithmes d'apprentissage automatique créés par des data scientists et des développeurs. Les logiciels MLOps automatisent le déploiement, surveillent la santé, la performance et la précision des modèles, et itèrent sur ces modèles. Certains outils offrent des fonctionnalités pour le faire de manière collaborative. Cela permet aux entreprises de déployer l'apprentissage automatique à grande échelle dans toute l'entreprise et d'avoir un impact commercial tangible.
De plus, ces produits peuvent offrir des capacités de sécurité, de provisionnement et de gouvernance pour s'assurer que seules les personnes autorisées peuvent effectuer des changements de version ou des ajustements de déploiement. Les outils peuvent différer en ce qui concerne la partie du parcours ou du flux de travail de l'apprentissage automatique sur laquelle ils se concentrent, y compris l'explicabilité, l'hyper-optimisation, l'ingénierie des caractéristiques, le risque du modèle, la sélection du modèle, la surveillance du modèle et le suivi des expériences.
Ces outils sont généralement indépendants de la langue, de sorte qu'ils peuvent être déployés avec succès, peu importe comment un algorithme est construit. Cependant, certains peuvent se concentrer spécifiquement sur des langages comme R ou Python, entre autres. Certains de ces produits sont dédiés au suivi des expériences d'apprentissage automatique pour mieux comprendre la performance des modèles. De plus, certains produits offrent la possibilité d'augmenter les ensembles de données d'entraînement des utilisateurs afin d'améliorer l'entraînement des modèles.
Certaines solutions MLOps offrent un moyen de gérer tous les modèles d'apprentissage automatique à travers l'ensemble de l'entreprise en un seul endroit. Bien que similaires aux plateformes de science des données et d'apprentissage automatique, ces logiciels diffèrent car ils se concentrent sur la maintenance et la surveillance des modèles plutôt que sur le déploiement.
Pour être inclus dans la catégorie des plateformes MLOps, un produit doit :
Offrir une plateforme pour surveiller et gérer les modèles d'apprentissage automatique
Permettre aux utilisateurs d'intégrer des modèles dans des applications commerciales à travers une entreprise
Suivre la santé et la performance des modèles d'apprentissage automatique déployés
Fournir un outil de gestion holistique pour mieux comprendre tous les modèles déployés à travers une entreprise
