Une fois que le modèle est fini, ce qu’on en fait dépend du but pour lequel il a été développé:
Analyses ponctuelles: pipeline
On a développé un modèle pour analyser les données. Certains projets requièrent de répéter le processus à plusieurs reprises, lorsqu’on obtient de nouvelles données par exemple. Dans ce cas, automatiser l’apprentissage va permettre de gagner du temps: créer une pipeline pour automatiser le preprocessing et traitement des données.
Business analysis: rapport & visualisations
Toujours dans la même veine, si l’analyse a été demandé par un client, alors il faut présenter les résultats: formuler les hypothèses et les résultats observés en language humain, illustrer avec des graphiques faciles à comprendre pour les non-tech.
Fonctionnalité: application
On a développé un modèle pour être utilisé dans le cadre d’une application.
Dans ce cas, on exporte le modèle et
soit on ajoute la fonctionnalité à une application Python (typiquement, on s’appuie le framework Flask ou Django).
soit on crée un webservice, qui pourra être requêté par des applications non Python (typiquement, unicorn pour gérer les requêtes HTTP et FastAPI pour créer une API rapidement).
Exemples:
① Entraîner & exporter un modèle
② Créer un webservice avec FastAPI
③ Application Flask
Déployer des applications de Machine Learning en ligne est un domaine d’expertise à part entière, le MLOps — particulièrement si l’application demande des resources importantes (GPU, requêtes fréquentes, etc).
Pour aller plus loin:
Running Deep Learning Algorithms as a Service