MLOps, de la valeur à l'adoption chez @decathlon_digital

Présentation des intervenants

Aperçu de la section: Les intervenants se présentent et parlent de leur rôle chez Décathlon.

Présentation d'Hugo Amade (0:06)

• Hugo Amade est en charge de Live Factory de Décathlon depuis trois mois et demi.

• Il travaille chez Décathlon depuis bientôt 8 ans.

Présentation de Corentin (0:34)

• Corentin est ingénieur en apprentissage chez Décathlon.

Présentation de Décathlon

Aperçu de la section: Une brève présentation de l'entreprise Décathlon est donnée.

• Décathlon est un leader sur le marché du sport avec deux activités principales : la création des produits et services, ainsi que leur distribution en ligne et dans les magasins.

• L'entreprise compte plus de 1750 points de vente dans plus de 70 pays, avec 105000 collaborateurs.

• Decathlon Digital est une entité qui regroupe 2500 coéquipiers travaillant sur l'e-commerce, les données, le design et l'innovation numérique.

Présentation de iFactory

Aperçu de la section: La iFactory est présentée comme un centre d'expertise interne pour la conception et le développement des solutions innovantes et industrielles chez Decathlon.

• La iFactory collabore avec l'écosystème data métier de Decathlon, anime l'écosystème du groupe et accompagne le business dans sa transformation.

• Elle comprend plusieurs équipes, dont une équipe dédiée à la valeur des données (Data Value Engineering).

Présentation de l'équipe d'innovation

Aperçu de la section: L'équipe d'innovation est présentée comme une équipe transverse chargée de l'expérimentation et du développement de nouveaux cas d'usage.

• L'équipe d'innovation travaille en collaboration avec les autres fabriques spécialisées par domaine.

• Elle vise à stimuler l'innovation et à faire de la R&D au service des métiers, en créant des "assets" utilisés par les différentes équipes de Decathlon.

Importance du MLOps

Aperçu de la section: Le MLOps est expliqué comme une culture, un mindset et des pratiques pour gérer le cycle de vie des modèles ML.

• Le MLOps permet de développer des solutions à vocation industrielle qui vont en production, plutôt que simplement se concentrer sur les performances des modèles ML.

• Il englobe tous les aspects du projet dataïa, tels que l'infrastructure, l'architecture, la gouvernance des données et le monitoring.

Composants essentiels du code ML

Aperçu de la section: En plus du code ML, il y a d'autres composants importants dans un projet dataïa.

• Un projet dataïa comprend également le pré-traitement et le post-traitement des données, ainsi que d'autres éléments tels que l'ingénierie des fonctionnalités et le nettoyage des données.

• Il est important de prendre en compte tous ces aspects dès le départ pour développer une solution complète et industrielle.

Conclusion

Aperçu de la section: Le MLOps est présenté comme une approche globale pour développer des solutions dataïa industrielles.

• Le MLOps permet de travailler sur l'ensemble des composants d'un projet dataïa dès le départ, avec un mindset et une culture axés sur la production industrielle.

• Il ne faut pas se limiter uniquement au code ML, mais prendre en compte tous les aspects du projet pour garantir son succès.

Les sections ont été regroupées pour éviter d'avoir trop de sections courtes.

Principes de MLOps

Aperçu de la section: Dans cette partie, on aborde les principes fondamentaux du MLOps et l'importance de respecter ces principes pour assurer la maturité des entreprises dans le domaine de l'IA.

Les principes à respecter en MLOps

• Le MLOps est une courbe de maturité pour les entreprises, il ne s'agit pas simplement d'une approche "je fais" ou "je ne fais pas".

• La mesure de la maturité d'une équipe se fait en fonction des actions réalisées et des objectifs fixés pour atteindre une maturité supérieure.

• Le monitoring est essentiel pour mettre en production des modèles d'IA. Il faut penser au développement d'un projet comme au développement d'un produit classique, mais avec la spécificité des données et du modèle.

• Penser nativement industriel signifie avoir tous les éléments nécessaires dès le départ pour créer quelque chose qui soit testé, automatisé et contrôlé, prêt à être industrialisé.

• Les tests sont indispensables lors du développement. Il faut éviter d'avoir un code sans tests afin d'assurer la reproductibilité et la qualité du projet.

• L'expérimentation doit être mise en place avec un suivi rigoureux des pipelines. Il faut pouvoir auditer les résultats obtenus et automatiser autant que possible les contrôles afin de réduire l'intervention humaine.

• La documentation joue un rôle crucial, notamment pour répondre aux exigences réglementaires. Il est important de documenter toutes les étapes du projet afin de garantir sa conformité aux normes de sécurité, de confidentialité, etc.

• La structure du projet ne se limite pas au code, il faut également prendre en compte les éléments à renseigner pour expliquer le déroulement du projet et les acteurs impliqués.

Les trois piliers de Decathlon

Aperçu de la section: Dans cette partie, on présente les trois piliers sur lesquels repose la démarche MLOps chez Decathlon : les processus, les personnes et la plateforme.

Les trois piliers de Decathlon

• Les processus sont essentiels pour développer un système à grande échelle. Il est important d'avoir des processus bien définis qui suivent les étapes clés du cycle de vie d'un projet ML. Cela permet d'identifier les tâches critiques et de planifier efficacement tous les projets.

• Les personnes jouent un rôle central dans la démarche MLOps. Il est crucial de partager une culture commune et d'impliquer toutes les parties prenantes tout au long du projet.

• La plateforme est un élément clé pour assurer le bon fonctionnement des projets ML. Elle doit être adaptée aux besoins spécifiques des équipes et offrir des outils performants pour faciliter le déploiement, le monitoring et l'amélioration continue des modèles.

Étapes clés du cycle de vie d'un projet ML

Aperçu de la section: Cette partie met en avant l'importance des étapes clés du cycle de vie d'un projet ML chez Decathlon.

Étapes clés du cycle de vie d'un projet ML

• La première étape consiste à définir clairement le problème à résoudre et les objectifs du modèle.

• Ensuite, il est nécessaire de collecter et préparer les données pour créer un jeu de données adapté au modèle.

• Le modèle est ensuite entraîné en utilisant différentes techniques jusqu'à trouver celui qui répond aux contraintes opérationnelles.

• L'analyse des erreurs permet d'améliorer le modèle avant de passer à l'étape suivante.

• Le déploiement est une étape cruciale où la solution est mise en production. Cela nécessite une écriture rigoureuse du code source et une compréhension approfondie du fonctionnement réel du système avec de vraies données.

• Enfin, le monitoring permet d'améliorer continuellement la solution en mesurant ses performances et en identifiant les points d'amélioration.

Importance du monitoring

Aperçu de la section: Dans cette partie, on met en évidence l'importance du monitoring dans la démarche MLOps chez Decathlon.

Importance du monitoring

• Le monitoring est essentiel pour assurer le bon fonctionnement de la solution déployée. Il permet d'obtenir des informations précieuses sur les performances réelles du système avec des données réelles.

• Cette étape de monitoring facilite l'amélioration continue en identifiant les problèmes potentiels et en mesurant l'efficacité des solutions mises en place.

• Grâce au monitoring, il devient possible d'optimiser les processus et d'assurer une amélioration constante des modèles.

The transcript provided is not complete and some parts are missing.

Objectif de minimiser les pertes

Aperçu de la section: Dans cette partie, l'objectif est de minimiser les pertes et d'améliorer les projets au fur et à mesure de leur avancement. Il est important de définir clairement le problème à résoudre pour créer de la valeur pour Décathlon.

Définition du problème

• Définir clairement le problème est une étape clé pour réussir chaque projet.

• Il est essentiel de comprendre ce qui crée de la valeur pour Décathlon et d'identifier le processus métier à améliorer.

• Il faut également déterminer quelle solution apporter en utilisant des technologies et des méthodologies adaptées.

Identifier ce qui est important pour Décathlon

• Connaître la stratégie de Décathlon permet d'identifier les priorités.

• Échanger avec les experts métiers est crucial pour comprendre les processus et outils utilisés par les utilisateurs.

• Des ateliers tels que le "Data Design Thinking" aident à faire émerger les véritables problématiques business.

Stimulation de la valeur

• Une fois le projet identifié, il faut déterminer quelle valeur il peut générer.

• Il est important de définir les contraintes fonctionnelles et les critères de succès de la solution proposée.

Faisabilité technique

• Un processus permettant de cadrer la solution depuis l'idée jusqu'à sa mise en production est mis en place.

• Le "Machine Learning Design Doc" aide à concevoir la solution en prenant en compte la problématique business, la méthodologie ML et les contraintes techniques.

Fondations solides

• La mise en place de bonnes pratiques telles que le Data Cleaning et le Data Training est essentielle pour garantir des résultats fiables.

• Il est important d'avoir accès à des ressources computationnelles adaptées au projet, tout en responsabilisant les équipes sur les coûts associés.

Déploiement du modèle

Aperçu de la section: Une fois que le modèle est créé, il faut se poser la question de son déploiement dans un environnement de production. Des solutions fiables sont nécessaires pour assurer un déploiement efficace.

Déploiement en production

• Choisir quel modèle utiliser et sur quelle donnée l'entraîner sont des décisions importantes.

• Le déploiement du modèle en production nécessite des solutions fiables et robustes.

Environnement de développement et de production

• L'isolation de l'environnement de développement et de production est essentielle pour assurer la stabilité du système.

• Les ressources computationnelles doivent être adaptées au projet, avec un accès aux GPU ou CPU selon les besoins.

Suivi et optimisation

• Le suivi des coûts d'un projet ML est crucial pour optimiser les ressources utilisées.

• Il est important d'évaluer régulièrement les coûts associés à chaque outil utilisé dans le projet.

Ces notes fournissent un aperçu des principaux points abordés dans la vidéo, en se concentrant sur les étapes clés pour minimiser les pertes et déployer efficacement un modèle ML.

Processus de déploiement et communication entre les équipes

Aperçu de la section: Dans cette section, on aborde le processus de déploiement et la communication entre les équipes dans le contexte de Decathlon.

Définition des standards clairs pour faciliter la communication entre les équipes

• L'objectif principal est de définir un moyen de communiquer entre les deux équipes (équipe de plateforme et équipe métier).

• Il est important d'établir des standards clairs pour développer des produits qui puissent facilement communiquer.

Automatisation du processus de déploiement

• Une fois que les bonnes pratiques sont définies, l'étape suivante consiste à automatiser le processus.

• L'automatisation permet d'assurer le respect des standards définis lors du déploiement d'une équipe à une autre.

• Les bonnes pratiques telles que l'intégration continue et le déploiement continu sont réutilisées pour automatiser ce processus.

Monitoring du modèle en production

• Une fois que le déploiement est effectué et que le modèle est en production, il est essentiel de mettre en place un monitoring adéquat.

• Un contrat doit être défini avec l'équipe métier pour bien comprendre les responsabilités liées au produit développé.

• Le monitoring doit permettre d'évaluer l'impact métier du modèle en production et d'estimer son retour sur investissement (ROI).

Documentation et support technique

• La documentation joue un rôle crucial dans la maintenance du modèle en production.

• Elle facilite l'explication et l'utilisation de la solution, ainsi que le contact avec les bonnes personnes en cas de problématique.

Importance des personnes dans le processus

Aperçu de la section: Cette section met en évidence l'importance des personnes impliquées dans le processus de déploiement et de monitoring des modèles.

Collaboration entre différents profils

• Le processus ne fonctionne pas seul, il nécessite une collaboration entre différentes personnes ayant des compétences complémentaires.

• Les feature teams sont créées pour permettre aux Data scientists, ingénieurs et Ops de travailler ensemble à chaque étape du cycle de vie du projet.

Éviter la surcharge d'un seul individu

• Il est essentiel d'éviter de confier toutes les responsabilités d'un projet à une seule personne.

• La répartition des tâches au sein des feature teams permet d'éviter la surcharge et favorise une meilleure gestion du projet.

Conclusion

Le processus de déploiement et de monitoring des modèles nécessite une communication efficace entre les équipes, l'automatisation du processus, un monitoring adéquat, une documentation claire et une collaboration entre différents profils. En impliquant les bonnes personnes tout au long du processus, il est possible d'assurer le succès du déploiement et la maintenance des modèles en production.

Comprendre les objectifs business et la coordination

Dans cette section, il est important de bien comprendre les objectifs business du projet et d'assurer une coordination efficace entre toutes les parties prenantes. La collaboration, l'agilité et l'entraide sont également des éléments clés pour assurer le succès du projet.

Connaître les objectifs business

• Il est essentiel que toutes les parties prenantes aient une compréhension claire des objectifs business du projet.

• Cela permet de s'aligner sur ce qui doit être réalisé et d'éviter les divergences.

Coordination et collaboration

• La coordination entre les différentes équipes est cruciale pour assurer le bon déroulement du projet.

• La collaboration active favorise l'échange d'idées et la résolution des problèmes de manière efficace.

Agilité et adaptation aux imprévus

• L'agilité est nécessaire pour faire face aux imprévus qui peuvent survenir pendant le projet.

• Il faut être capable de s'adapter rapidement aux changements et trouver des solutions appropriées.

Entraide entre profils différents

• L'entraide entre les différents profils impliqués dans le projet est essentielle.

• Chacun apporte ses compétences spécifiques pour contribuer au succès global du projet.

Implémentation technique dans une organisation

Cette section aborde l'aspect technique de l'implémentation d'une plateforme. Le choix de l'implémentation dépendra des solutions existantes en production, des sujets métiers traités, de l'expérience des personnes impliquées et du budget disponible.

Choix de l'implémentation technique

• Il n'existe pas de solution unique pour l'implémentation technique d'une plateforme.

• Le choix dépendra des solutions existantes en production, des sujets métiers traités et de l'équipe en place.

Solutions possibles

• Il existe de nombreuses solutions techniques disponibles pour l'implémentation d'une stratégie ML au sein d'une organisation.

• Le choix dépendra des outils valides et adaptés à votre entreprise, ainsi que des ressources disponibles.

Adaptation à votre organisation

• L'architecture et l'implémentation présentées ne seront pas forcément adaptées à toutes les organisations.

• Il est important de prendre en compte les spécificités de votre entreprise lors du choix des outils et de l'implémentation.

Types d'outils pour la plateforme ML

Cette section présente trois grands types d'outils pour la plateforme ML : les outils managers, les outils open source et les solutions hybrides. Chaque type a ses avantages et il est important de choisir ceux qui conviennent le mieux à vos besoins.

Outils managers

• Les outils managers sont des services clés en main proposés par les fournisseurs cloud.

• Ils offrent une solution complète mais peuvent être moins flexibles que d'autres options.

Outils open source

• Les outils open source sont généralement gratuits et permettent une plus grande personnalisation.

• Cependant, ils nécessitent souvent une mise en œuvre et une gestion plus importantes.

Solutions hybrides

• Les solutions hybrides combinent à la fois des outils managers et des outils open source.

• Elles offrent une flexibilité et une adaptabilité accrues en fonction des besoins spécifiques.

Sélection d'outils pour l'implémentation technique

Lors de la sélection d'outils pour l'implémentation technique, il est important de choisir ceux qui sont adaptés à chaque composant clé de la stratégie ML. Il existe de nombreux outils disponibles, tels que ceux pour l'exploration des données, le versionnage du code, l'orchestration, etc.

Sélection en fonction des composants

• Pour chaque composant clé de la stratégie ML, il est important de choisir les outils appropriés.

• Certains outils peuvent déjà être présents dans votre entreprise, tandis que d'autres nécessiteront une recherche et une évaluation plus approfondies.

Éviter d'utiliser les outils incorrectement

• Il est essentiel d'éviter d'utiliser un outil pour un usage auquel il n'est pas destiné.

• Chaque outil a ses propres fonctionnalités et il est préférable de les utiliser conformément à leur objectif initial.

Trois grands piliers pour la plateforme ML

Cette section présente trois grands piliers pour la plateforme ML : gestion collaborative de projet, développement et déploiement. Chacun joue un rôle essentiel dans le processus global de mise en place et d'industrialisation des projets ML.

Gestion collaborative de projet

• La gestion collaborative de projet est essentielle pour assurer une communication efficace et une interaction harmonieuse entre les différents profils impliqués.

• Elle facilite la coordination des tâches et permet de suivre l'avancement du projet.

Développement

• La partie développement vise à évaluer rapidement la faisabilité d'un projet ML et à valider sa faisabilité scientifique.

• Différents outils peuvent être utilisés pour la data exploration, le versionnage du code, la documentation technique, etc.

Déploiement

• Le déploiement concerne la mise en production d'un modèle de machine learning.

• Il existe divers outils et services disponibles pour faciliter cette étape, tels que l'orchestration avec Airflow ou le versionnage des modèles avec Mlflow.

Outils et services disponibles pour la plateforme ML

Cette section présente quelques exemples d'outils et de services disponibles pour la plateforme ML. Ces outils peuvent être utilisés pour différentes tâches telles que l'exploration des données, le versionnage du code, l'orchestration, etc.

Exemples d'outils

• Data exploration : Jupyter Notebook, Datawig

• Versionnage du code : Git, Mercurial

• Documentation technique : Sphinx

• Orchestration : Airflow

• Versionnage des modèles : Mlflow

Importance de partager les bonnes pratiques

• Il est important de partager les bonnes pratiques concernant les outils et services utilisés.

• Cela permet d'améliorer la collaboration au sein de l'équipe et d'optimiser l'utilisation des ressources disponibles.

L'importance de la facilité et de la maintenance des solutions ML

Dans cette section, l'orateur souligne l'importance d'accélérer le développement de projets ML tout en prenant en compte les efforts et les ressources nécessaires pour maintenir ces solutions. Il met également en garde contre le risque de créer des solutions complexes et difficiles à maintenir.

Facilité et complexité des solutions ML

• La facilité peut accélérer le développement de projets ML, mais cela demande également beaucoup d'efforts et de ressources pour maintenir ces solutions.

• Les solutions complexes peuvent finir par être un "gros plat de spaghettis" avec des dépendances multiples entre différents paquets, ce qui rend leur maintenance difficile.

Se concentrer sur le cœur d'activité

• Il est important de se concentrer sur le cœur d'activité de l'entreprise lors du développement d'une solution ML.

• Si une solution existe déjà dans le domaine Open Source, il est préférable de l'utiliser plutôt que de développer quelque chose similaire.

Coûts de maintenance

• Les coûts liés à la maintenance technique et à l'implémentation doivent être pris en compte lors du budgeting.

• Souvent, on néglige la partie maintenance et évolution des solutions une fois qu'elles sont industrialisées.

Standards et bonnes pratiques

• Construire des standards est important pour faciliter la montée en compétences des équipes.

• Utiliser les mêmes bonnes pratiques permet de faciliter le transfert d'une solution d'une équipe à une autre.

Importance du développement et de l'expérimentation

Dans cette section, l'orateur souligne l'importance de la phase de développement et d'expérimentation dans le cycle de vie des projets ML. Il met en avant la nécessité d'être flexible et capable d'explorer différentes approches pour tester et améliorer les modèles.

Flexibilité dans le développement

• La phase de développement est relativement nouvelle par rapport à la phase traditionnelle de développement.

• Il est important pour un data scientist d'être flexible et capable d'explorer différentes approches, que ce soit pour tester différents types de modèles ou pour expérimenter de nouvelles idées.

Outils d'expérimentation

• L'utilisation d'outils d'expérimentation, tels que l'"experiment tracking" dans Databricks, permet de suivre les résultats des expériences et de prendre des décisions éclairées.

• Ces outils fournissent des informations sur les performances des modèles et facilitent leur mise en production.

Pipelines, versioning et monitoring

Dans cette section, l'orateur aborde trois aspects importants du déploiement des solutions ML : les pipelines, le versioning des modèles et le monitoring. Il souligne leur rôle dans la fiabilité, la traçabilité et l'adaptabilité des modèles en production.

Pipelines

• Les pipelines sont essentiels pour valider les données, préparer les données d'entraînement, effectuer l'inférence ou rechercher les hyperparamètres du modèle.

• Des plateformes telles qu'Amazon SageMaker peuvent être utilisées pour créer et versionner des pipelines ML.

Versioning des modèles

• Il est important d'enregistrer les versions des modèles pour des raisons de fiabilité et de traçabilité.

• Le versioning permet de revenir à une version antérieure du modèle si nécessaire.

Monitoring

• Le monitoring est crucial pour comprendre les faiblesses d'un modèle et s'adapter rapidement aux changements de contexte.

• Un data scientist doit être capable de changer facilement d'équipement ou de modèle en production en fonction des observations dans la vie réelle.

Itération rapide et adoption itérative

Dans cette section, l'orateur met en avant l'importance d'une approche itérative dans le développement de solutions ML. Il souligne qu'il est préférable de répondre rapidement à une problématique métier tout en gardant comme objectif la résolution du besoin métier.

Itération rapide

• L'objectif n'est pas d'avoir quelque chose de parfait dès le début, mais plutôt de répondre rapidement à une problématique métier et apporter de la valeur.

• Il est essentiel d'avoir un processus itératif et d'améliorer progressivement la solution ML.

Adoption MLOps itérative

• Plutôt que de se focaliser sur les nouveaux outils à la mode, il est préférable de se concentrer sur une problématique métier spécifique lors de l'adoption progressive des pratiques MLOps.

• Des matrices existent pour mesurer la maturité dans ce domaine.

Culture de l'écrit et cadre normatif

Dans cette section, l'orateur met en avant l'importance de la culture de l'écrit dans le domaine des solutions ML. Il souligne la nécessité d'écrire et de formaliser les bonnes pratiques pour les partager avec les équipes. Il présente également un exemple de cadre normatif développé chez Decathlon.

Culture de l'écrit

• La capacité à écrire et à formaliser les bonnes pratiques est essentielle pour les partager avec toutes les équipes.

• Chez Decathlon, un cadre normatif de développement a été développé sous la forme d'un site web, défini par 5 grands piliers.

Conclusion

Ce résumé met en avant plusieurs aspects importants du développement et du déploiement des solutions ML. Il souligne l'importance de la facilité et de la maintenance des solutions, ainsi que celle du développement itératif, des pipelines, du versioning des modèles, du monitoring et de la culture de l'écrit. Ces éléments contribuent à améliorer la fiabilité, la traçabilité et l'adaptabilité des modèles en production.

Composant autour du modèle live cycle

Aperçu de la section: Cette section aborde les composants du modèle de cycle de vie d'une solution ML, en mettant l'accent sur les phases de développement, de déploiement et d'exécution. Elle souligne également l'importance des rôles dans le processus et propose des exemples d'architecture pour inspirer les équipes.

Rôles et architecture

• Les rôles jouent un rôle crucial dans le développement d'une solution ML.

• Il est essentiel de bien définir les responsabilités de chaque rôle.

• L'architecture doit être mise à disposition pour inspirer et aider d'autres équipes.

Continuer la démarche itérative

Aperçu de la section: Cette section met l'accent sur l'importance de poursuivre une approche itérative dans le développement des solutions ML. Elle souligne que la maturité peut varier en fonction des projets et encourage à standardiser les outils, la documentation et l'automatisation.

Itération continue

• La démarche itérative permet d'améliorer progressivement la solution ML.

• Certains projets peuvent avoir une maturité plus élevée que d'autres en raison de leur criticité.

• Standardiser les outils, la documentation et l'automatisation est essentiel pour améliorer continuellement la solution.

Machine Learning Observabilité

Aperçu de la section: Cette section aborde l'observabilité dans le contexte du machine learning. Elle explique que l'observabilité va au-delà du simple monitoring et permet de comprendre les problèmes rencontrés dans une solution ML, favorisant ainsi l'amélioration continue.

Observabilité en machine learning

• L'observabilité permet de comprendre où et pourquoi des problèmes surviennent dans une solution ML.

• Des outils d'observabilité sont disponibles pour analyser et comprendre les problèmes.

• L'objectif est de réduire le temps d'intervention et les erreurs grâce à une amélioration continue.

Confiance et traçabilité

Aperçu de la section: Cette section met l'accent sur l'importance de la confiance et de la traçabilité dans les solutions ML. Elle souligne que bien que cela puisse être nouveau chez Decathlon, il est essentiel d'intégrer ces aspects pour gérer efficacement les solutions ML.

Confiance et traçabilité

• La confiance et la traçabilité sont des éléments importants dans les solutions ML.

• Il est essentiel d'intégrer ces aspects pour gérer efficacement les solutions ML.

• Réduire les erreurs progressivement en mesurant le niveau actuel et en planifiant des améliorations.

Conclusion - Culture, outils, maturité

Aperçu de la section: Cette section conclut en soulignant l'importance de cultiver une culture axée sur le machine learning, du choix des bons outils à la mesure de la maturité. Elle encourage également à adopter un mindset MLOps basé sur des pratiques solides.

Cultiver une culture MLOps

• Cultiver une culture MLOps est essentiel pour réussir dans le domaine du machine learning.

• Les outils sont nécessaires pour mettre en pratique les bonnes pratiques et le mindset MLOps.

• Mesurer la maturité actuelle et planifier des améliorations est crucial pour progresser.

Merci à tous pour l'écoute et aux organisateurs de l'événement.