Les modèles de Machine Learning sont réputés comme étant durs à tester, et non déterministiques. Pourtant il faut bien valider ce qu'on met en prod.

Quels sont les points d'attention qu'il faut avoir ? Que vérifier lors d'un premier déploiement ? Comment s'assurer qu'on ne casse pas les scénarios utilisateurs avec une mise à jour ? Qu'est-ce qui est du ressort des data scientists, et jusqu'où peut-on leur faire confiance ?

Nous allons explorer les différentes étapes de déploiement d'un service utilisant du Machine Learning, depuis la préparation des données jusqu'à la production. Nous verrons comment intégrer les tests à chaque étape, pour garantir que le modèle est fiable et efficace. Nous aborderons également les défis liés à la mise à jour des modèles en production, et les stratégies pour minimiser l'impact sur les utilisateurs.

Retour d'expérience sur la collaboration entre les dévs, les QAs et les data scientists pour déployer des services basés sur du Machine Learning fiables et efficaces, du premier dataset de training à l'inférence en prod.