Revenir aux archives
MLOps
Étude de casMLflow Model Lifecycle
Un parcours compact de l'expérience suivie au modèle enregistré et à la prédiction.
Contexte: Projet d'apprentissage MLOps et cycle de vie des modèles
Résumé
Le projet suit un modèle au-delà de l'entraînement : paramètres et expériences sont enregistrés, les exécutions choisies rejoignent le registre et les versions sont préparées pour l'inférence ou le serving.
De l'entraînement au modèle servi
Expérience
Paramètres, métriques et artefacts sont suivis
Comparaison
Les exécutions enregistrées guident le choix
Registre
L'artefact retenu est versionné et promu
Inférence
Les applications chargent le modèle enregistré
Serving
MLflow expose un endpoint de prédiction
Ce que le système prend en charge
Réunit suivi, registre, promotion, inférence et serving dans un parcours compact.
Technologie
Stack
PythonMLflowscikit-learnRandom ForestSQLiteModel registryExperiment trackingModel serving
Domaines
MLOpsMachine learningCycle de vie des modèles
Conclusions
- Les décisions restent traçables grâce aux paramètres et artefacts.
- Registre et promotion séparent expériences et versions approuvées.
- La structure offre une base claire pour la supervision et le déploiement futurs.
Expériencesuivie
Registreversionné
Aliaschampion
Endpointprêt