Production Machine Learning Systems - Français

Overview

Dans ce cours, nous abordons en détail les composants et les bonnes pratiques de construction de systèmes de ML hautes performances dans des environnements de production. Nous verrons aussi certaines des considérations les plus courantes concernant la construction de ces systèmes, telles que l'entraînement statique, l'entraînement dynamique, l'inférence statique, l'inférence dynamique, les tâches TensorFlow distribuées et les TPU. Ce cours a pour objectif d'explorer les caractéristiques d'un bon système de ML, au-delà de sa capacité à effectuer des prédictions correctes.

Syllabus

Présentation du machine learning avancé sur Google Cloud

Ce module fournit un aperçu des sujets abordés pendant le cours et explique comment utiliser Qwiklabs pour réaliser chaque atelier à l'aide de Google Cloud.

Concevoir l'architecture des systèmes de ML de production

Ce module décrit les autres actions nécessaires qu'un système de ML de production doit accomplir et comment satisfaire ces exigences. Vous verrez quelles décisions de conception globales et majeures vous devez prendre au sujet de l'entraînement et de l'inférence du modèle, et quels choix effectuer pour obtenir le bon profil de performances pour votre modèle.

Créer des systèmes de ML adaptables

Dans ce module, vous apprendrez à identifier en quoi un modèle dépend des données, à prendre des décisions de conception technique en tenant compte des coûts, à savoir quand effectuer un rollback des modèles vers une version antérieure, à déboguer les causes des comportements observés sur le modèle et à implémenter un pipeline immunisé contre un type de dépendance.

Créer des systèmes de ML hautes performances

Dans ce module, vous identifierez les critères de performances des modèles de machine learning. Les modèles de ML ne sont pas tous identiques. Sur certains modèles, vous vous attacherez à améliorer les performances d'E/S. Sur d'autres, vous chercherez à accélérer la vitesse de calcul.