Pipeline MLOps from scratch : CI/CD pour les modèles ML
Comment construire un pipeline MLOps complet — versioning des données avec DVC, tracking des expériences avec MLflow.
Articles approfondis sur le machine learning, l'ingénierie IA et les systèmes ML en production
Comment construire un pipeline MLOps complet — versioning des données avec DVC, tracking des expériences avec MLflow.
Dérive des données vs dérive des concepts — méthodes de détection, dashboards Evidently AI.
Du pickle au FastAPI de production — inférence async, validation Pydantic, rate limiting, health checks.
Meilleures pratiques pour conteneuriser le code ML — builds multi-étapes, support GPU, mise en cache des modèles.
Quantification INT8, élagage structuré et distillation — réduire la taille du modèle de 90% en gardant 95% de précision.
Je conçois des modèles ML sur mesure, des agents IA, de la vision par ordinateur et de l'automatisation — de l'idée à la production.