Mettre en production des modèle d’IA avec Cortex

En tant que débutant en Data Science, les termes les plus fréquents dont vous entendrez parler seront certainement training, testing, classification, régression, scoring, modèle, etc. et tout votre environnement tourne autour d’un notebook ! 

Dans un projet typique de Machine Learning, nous commençons généralement par définir l’énoncé du problème, suivi de la collecte et de la préparation des données, de la compréhension des données et de la construction du modèle, n’est-ce pas ?

Mais, en fin de compte, nous voulons que notre modèle soit disponible pour les utilisateurs finaux afin qu’ils puissent l’utiliser. Le déploiement du modèle est l’une des dernières étapes de tout projet de Machine Learning et peut être un peu délicat. Comment rendre votre modèle accessible à votre application ou client/partenaire ? Quelles sont les différentes choses dont vous devez vous occuper lorsque vous mettez votre modèle en production ? Et quand pouvez-vous même commencer à déployer un modèle ?

Vous pouvez trouver une abondance de ressources pour apprendre les bases sur la mise en place des modèles de Machine Learning, mais moins d’informations sur le déploiement des modèles en tant que services web évolutifs. 

Il n’y a pas de chemin clair défini entre le Jupyter notebook et la production.

Dans cette présentation nous allons voir en détail comment mettre en production des modèles de Machine Learning en utilisant Cortex!