Je serai votre ingénieur mlops pour machine learning en production

Faire fonctionner un modèle dans un notebook est une chose, le faire fonctionner de manière fiable en production en est une autre. Je vous aide à combler cet écart.

Je peux vous aider :

• Déployer des modèles ML en production (FastAPI, Docker, AWS EC2/Elastic Beanstalk, TensorFlow Serving)
• Concevoir des stratégies de déploiement telles que le mode ombre, les déploiements canary, le déploiement blue-green, avec des plans de rollback
• Mettre en place une surveillance des logiciels, des métriques d'entrée et de sortie pour détecter rapidement les dérives de données ou de concepts et les échecs de pipeline
• Analyser les erreurs pour prioriser les corrections qui améliorent réellement la performance en conditions réelles, pas seulement la précision sur l'ensemble de test
• Construire et auditer les pipelines de données : nettoyage, cohérence de l’étiquetage, divisions entraînement/dev/test, suivi de la provenance des données
• Établir des références de performance en utilisant la performance humaine (HLP) et mettre en place un suivi des expériences pour des résultats reproductibles

Que vous passiez d'une preuve de concept au déploiement, que vous ayez besoin d'une surveillance pour un modèle existant ou que vous souhaitiez un audit complet du pipeline (précision, équité, biais inclus), j'adopte une approche structurée, de bout en bout, couvrant le cycle de vie du ML : délimitation, données, modélisation, déploiement et maintenance.

Envoyez-moi les détails de votre projet et faisons en sorte que votre modèle soit déployé et fonctionne sans souci.