Industrialisation et mise en production de modèles et de pipelines MLOps (Deep learning)
Des modèles exploités de façon traçable, surveillée et reproductible, avec un historique exploitable par votre validation et votre audit interne.
En bref
- Résultat
- Des modèles exploités de façon traçable, surveillée et reproductible, avec un historique exploitable par votre validation et votre audit interne.
- Idéal pour
- Directeur des systèmes d'information, responsable de la plateforme data ou responsable de l'équipe quantitative qui passe de la recherche à l'exploitation.
- Ce que vous obtenez
- Pipeline reproductible en production, dossier d'exploitation, alertes de dérive et documentation de chaque version déployée.
- Prérequis de votre côté
- Modèle ou prototype existant, architecture cible ou contraintes de sécurité, accès aux environnements de développement et de recette.
- Durée et charge
- 15 à 60 jours
- Format
- Forfait
Exemple construit
Passer un notebook à un pipeline versionné. Un modèle développé dans un notebook sur le thème Deep learning doit être exécuté chaque nuit. La mission met en place un pipeline versionné, des environnements séparés et une recette. L'équipe de validation retrouve pour chaque version le code et les données.
Nous industrialisons vos modèles de la recherche à la production : gestion des versions du code, des données et des modèles, pipelines reproductibles, intégration continue, environnements séparés, suivi des performances et de la dérive. Les outils (MLflow, plateformes cloud, orchestrateurs) sont choisis avec vous selon votre architecture et vos exigences de sécurité, sur le thème Deep learning.
Le déploiement commence par un pilote sur un périmètre restreint, avec une recette écrite et un plan de retour arrière. Les livrables comprennent le dossier d'exploitation, les alertes de dérive et la documentation de chaque version. Les plateformes cloud étant des prestataires de services TIC (technologies de l'information et de la communication), nous relevons avec vous les points à porter au contrat au titre de l'article 30 de DORA (Digital Operational Resilience Act, règlement sur la résilience opérationnelle numérique du secteur financier). L'objectif d'identifier des tendances cachées dans de grands volumes de données guide les arbitrages.
Déroulé de la prestation
État des lieux
Inventaire des données, des interfaces, des utilisateurs, des droits d'accès et des exigences de sécurité sur le périmètre Deep learning.
Plan par lots
Chaque lot a ses critères de recette, sa fenêtre d'intervention et son plan de retour arrière, validés avec la sécurité des systèmes d'information de votre organisation.
Préparation et tests
Reprise des données en environnement de test, avec des données de test ou anonymisées, paramétrage, contrôle par échantillonnage et recette avec vos utilisateurs clés.
Bascule
La mise en production est exécutée par vos équipes autorisées pendant la fenêtre convenue, selon la procédure préparée avec nous ; suivi renforcé et correction des écarts.
Stabilisation et passation
Documentation d'exploitation, formation des administrateurs et des utilisateurs clés, bilan de fin de déploiement.
Livrables, format et conditions
Au terme de la prestation, vous disposez des éléments suivants, rédigés pour être présentés à votre direction, à votre audit interne ou à votre superviseur.
- Pipeline versionné de la donnée au modèle déployé
- Dossier d'exploitation, plan de retour arrière et recette signée
- Tableau de bord de suivi de performance et de dérive
Format et charge : forfait, 15 à 60 jours. Idéal pour : directeur des systèmes d'information, responsable de la plateforme data ou responsable de l'équipe quantitative qui passe de la recherche à l'exploitation. Prérequis de votre côté : modèle ou prototype existant, architecture cible ou contraintes de sécurité, accès aux environnements de développement et de recette.
Exemples d'usage
Deux situations d'exemple dans lesquelles cette prestation a du sens. Ce sont des exemples construits à partir de situations courantes du secteur, pas des références clients ; les chiffres sont indicatifs et dépendent du périmètre et du contexte.
Passer un notebook à un pipeline versionné
Un modèle développé dans un notebook sur le thème Deep learning doit être exécuté chaque nuit. La mission met en place un pipeline versionné, des environnements séparés et une recette. L'équipe de validation retrouve pour chaque version le code et les données.
Surveiller la dérive d'un modèle en production
Une équipe veut détecter à temps l'écart entre les données d'entraînement et les données courantes d'un modèle lié au thème Deep learning. Des indicateurs et des seuils d'alerte sont définis avec la validation, puis branchés sur la supervision existante.
Questions fréquentes sur cette prestation
Comment limitez-vous les risques pendant le déploiement ?
Le déploiement sur le périmètre Deep learning est conduit par lots, chacun avec ses critères de recette, sa fenêtre d'intervention et son plan de retour arrière, validés avec la sécurité des systèmes d'information de votre organisation. Les données sont reprises en environnement de test, avec des données de test ou anonymisées, et contrôlées par échantillonnage avant la bascule, puis suivies de près après la mise en service. La charge indicative est de 15 à 60 jours, format forfait. La mise en production est exécutée par vos équipes autorisées, et aucune intervention n'est planifiée pendant les heures de négociation ni les périodes de clôture.
Quelle différence avec une formation sur ce thème ?
La formation apprend à utiliser ou à administrer un outil ; le déploiement le met en service avec des données fiables. Sur le thème Deep learning, les deux sont liés : le déploiement inclut la formation des administrateurs et des utilisateurs clés, et une formation plus large des équipes peut suivre la mise en service. Nous les planifions dans le même projet, avec le même chef de projet. Les intervenants sont des praticiens du secteur, tenus par la confidentialité et le secret professionnel prévus au contrat.
Réalisez-vous la validation indépendante de nos modèles ?
Nous réalisons des revues méthodologiques, mais nous ne remplaçons pas la fonction de validation de votre établissement. Lorsque la réglementation ou votre politique interne exige une validation par une fonction distincte du développement, la décision d'approbation reste la vôtre. Sur le thème Deep learning, nous relisons la documentation, le code, les jeux de test et les résultats de backtesting, puis nous remettons un rapport de constats que votre validation, votre audit interne ou votre direction des risques peut exploiter. Nous ne revoyons jamais un modèle que nous avons contribué à développer, afin de préserver l'indépendance de l'analyse.
Demander un devis
Indiquez le périmètre, les équipes concernées et l'échéance : première réponse sous 48 h ouvrées, devis ferme après l'échange de cadrage.
Les autres types de prestation sur le thème Deep learning
- Revue méthodologique de modèles quantitatifs (Deep learning)
- Conseil en méthodologie et en gouvernance des modèles (Deep learning)
- Développement de modèles et de bibliothèques de calcul (Deep learning)
- Assistance technique au forfait pour des travaux de modélisation et de développement (Deep learning)
- S'initier à l'analyse de données avec le deep learning
