Conclusion

Alors que l'apprentissage automatique passe d'une discipline de recherche à un domaine appliqué, nous avons constaté une croissance annuelle de 25 % du développement, du déploiement et de l'exploitation de pipelines de ML dans divers secteurs. La valeur commerciale du ML est réalisée grâce aux opérations et aux pipelines de day-to-day ML, qui, à leur tour, stimulent la recherche et le développement de modèles et d'algorithmes de ML. Néanmoins, le déploiement du machine learning en production présente de nombreux défis, car il associe des activités et des artefacts très différents, tels que la gestion des données, le traitement, l'analyse, la modélisation, la vérification et la sécurité. À travers de nombreux engagements en matière d'intelligence artificielle et de machine learning avec des AWS clients, notre équipe de science des données a constaté que l'un des principaux défis était l'absence d'un end-to-end flux de travail fournissant un ensemble de modèles permettant de fusionner ou de séparer de manière optimale les différentes activités et artefacts de ML DevOps . Dans ce guide, nous avons présenté le flux de travail ML Max pour résoudre ce problème urgent. ML Max fournit des step-by-step directives et un ensemble de modèles de programmation. L'objectif est de permettre une transition rapide et rentable d'une phase de développement de modèles interactifs à une configuration de pipeline ML complète et évolutive prête pour la production.