Votre modèle d’apprentissage automatique (ML) de haute précision fonctionne à merveille sur l’ensemble de test, mais échoue silencieusement en production. C’est ce qu’on appelle la dérive du modèle, cette crise tacite où les modèles entraînés sur les données d’hier ne sont pas préparés à la réalité d’aujourd’hui. Cette formation, intitulée « Partitionner et surveiller efficacement les modèles d’IA », s’adresse aux data scientists et aux ingénieurs en apprentissage automatique qui savent que le déploiement n’est qu’un début. Vous irez au-delà de la construction de modèles pour vous intéresser à leur fiabilité, en créant des systèmes d’IA robustes qui résistent à l’épreuve du temps.

Maîtrisez les trois piliers de la fiabilité MLOps. Apprenez à partitionner équitablement les données à l’aide de découpages stratifiés et de séries chronologiques afin d’éviter les fuites de données et de garantir une évaluation impartiale. Mettez en place une surveillance continue pour détecter la dérive des données et des concepts à l’aide de métriques telles que l’indice de stabilité de la population (PSI) et la divergence de KL. Enfin, concevez des pipelines de réentraînement automatisés afin de créer des systèmes auto-réparateurs qui s’adaptent aux nouvelles données avec une intervention minimale. Grâce à des ateliers pratiques, vous développerez une boîte à outils dédiée à la fiabilité des modèles, démontrant ainsi votre capacité à maintenir une IA de niveau production. Cessez de créer des modèles jetables et commencez à concevoir des systèmes d’IA qui apportent une valeur durable en maîtrisant l’intégralité du cycle de vie des modèles.