Co-écrit avec Emmanuel-Lin Toulemonde
Les avancées dans le machine learning (ML) ont engendré une multitude de progrès technologiques, influençant chaque secteur de la société, parfois de manière significative. Cependant, malgré les grandes attentes des utilisateurs, la mise en production du ML rencontre souvent des difficultés, faisant de la création d'un produit avec du ML une vraie montagne russe émotionnelle.
Et si nous abordions le machine learning comme n'importe quel autre logiciel ? À la croisée du craftsmanship, de l’architecture émergente, du DevOps, de l’agilité et du Lean, notre approche MLOps propose une alternative à des approches technico-technique d'aborder le machine learning en production.