Informations administratives
| Titre | Architecture des données |
| Durée | 60 |
| Module | B |
| Type de leçon | Session interactive |
| Focus | Pratique — IA organisationnelle |
| Sujet | Architecture des données |
Mots-clés
Architecture de données,Machine Learning pipeline,MLOps,
Objectifs d’apprentissage
- Pour connaître les architectures de données de base dans l’apprentissage automatique
- Poser des questions sur les architectures de données les plus adaptées
Préparation prévue
Événements d’apprentissage à compléter avant
Obligatoire pour les étudiants
- Processus d’analyse des données
- Modèles d’apprentissage automatique
- DevOps
- CI/CD
Optionnel pour les étudiants
Aucun.
Références et antécédents pour les étudiants
- DevOps
- CI/CD
Recommandé pour les enseignants
Matériel de leçon
Instructions pour les enseignants
Utilisez le schéma suivant:
- Introduction à la discussion
- Quelles sont les architectures les plus diffusées pour ML Systems?
- Qu’est-ce qu’un pipeline ML typique?
- Qu’est-ce que le MLOps?
- Comment est-il possible d’automatiser et d’orchestrer un pipeline ML?
- Comment est-il possible de configurer un système CI/CD d’intégration continue/de livraison continue pour le pipeline ML à l’aide du Cloud?
- Questions et discussions complémentaires sur des sujets suggérés par les étudiants
- Discussion
- Quelles sont les caractéristiques de l’architecture Tensor Flow eXTended (TFX)?
- Comment Cloud peut-il prendre en charge le modèle TFX?
- Comment est-il possible d’automatiser et d’orchestrer le pipeline TFX?
- Comment est-il possible de configurer un système CI/CD d’intégration continue/de livraison continue pour le pipeline TFX?
- Questions et discussions complémentaires sur des sujets suggérés par les étudiants
- Conclusions
- Résumer et discuter des résultats de la leçon:
- Principales caractéristiques d’une architecture de système ML et de pipelines ML
- MLOps
- Automatiser et orchestrer un pipeline ML en référence au modèle TFX
- Remarques concluantes
- Résumer et discuter des résultats de la leçon:
Calendrier
| Durée (min) | Description | Concepts |
|---|---|---|
| 20 | Introduction à la discussion | Ml System Architecture, ML Pipeline |
| 30 | Discussion | Ml dans les exemples de production |
| 10 | Résumé et remarques concluantes |
Remerciements
Le programme de master IA centré sur l’humain a été cofinancé par le mécanisme pour l’interconnexion en Europe de l’Union européenne dans le cadre de la subvention CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068.