Sortie en Avril 2022 sur la région France, l’inférence “serverless” de AWS SageMaker apporte une promesse de forte réduction des coûts de déploiement de modèles de Machine Learning. Véritable point de convergence entre AWS Sagemaker (Machine Learning) et AWS Lambda (exécution de code sans serveur), cette nouvelle fonctionnalité permet l’obtention de prédictions en temps réel tout en se passant de la location et de la gestion de serveurs.

Avec une tarification à l’utilisation, ce mode Serverless permet ainsi une réduction significative des coûts pour bon nombre de cas d’usage, au prix de quelques compromis. Dans quel cas ce nouveau mode est-il le plus adapté ?

Le terme MLOps (Machine Learning Operations) est de plus en plus souvent employé dans la communauté data et est rapidement devenu un concept central dans la mise en production et le passage à l’échelle de projets à base de Machine Learning.

Tâchons de comprendre ce qu’il y a derrière, d’où cela vient, et surtout pourquoi c’est maintenant devenu une nécessité.

Notre conviction est qu’un modèle de Machine Learning (ML) n’a que très peu de valeur en soi, c’est son utilisation en production et en réponse à une problématique métier précise qui est importante. Et pour cela, rien de mieux que de rapidement passer à la création d’un MVP de bout en bout.

Dans cet article, nous vous proposons 6 propositions d’approches afin d’avoir des premières versions de modèles simples à mettre en place et permettant donc d’implémenter rapidement un MVP plutôt que de rester trop de temps sur le modèle en lui-même.

‍