Description
Les data scientists savent comment entraîner des modèles, mais qu'est-ce qui se passe avant et après ?
Kedro, un framework open-source de gestion de pipelines de données, ce qu'il fournit réellement c'est de la structure. Quelq'un qui ne connait pas les best practices peut vite arriver à un code difficile à maintenir et à déployer en prod. Kedro impose une structure dès le début du développement pour faciliter le passage en prod plus tard.
- MLflow, une plateforme open-source dédiée à la gestion du cycle de vie des modèles machine learning. Les développeurs savent comment gérer le versioning du code, mais évidemment on ne peut mettre des modèles dans git. Les outils de ci/cd ne sont pas adaptés pour du machine learning, pourtant certaines problématiques sont similaire
- Pour le versioning, l'intégration et le déploiement de modèles MLFlow est un outil adapté.