MLOps — Pipeline de bout en bout

Cette démo couvre un pipeline complet de MLOps. Nous vous montrerons comment Databricks Lakehouse peut être utilisé pour orchestrer et déployer des modèles en production tout en garantissant la gouvernance, la sécurité et la robustesse.

• Ingérez des données et sauvegardez-les dans un magasin de caractéristiques
• Construisez des modèles ML avec Databricks AutoML
• Configurez des crochets MLflow pour tester automatiquement vos modèles
• Créez le travail de test de modèle
• Déplacer automatiquement les modèles en production une fois les tests validés
• Retrainez périodiquement votre modèle pour prévenir la dérive

Notez que c'est une démo assez avancée. Si vous êtes nouveau sur Databricks et que vous voulez simplement en savoir plus sur le ML, nous vous recommandons de commencer par une démonstration de ML ou l'une des démonstrations de Lakehouse.

Pour installer la démo, obtenez un espace de travail Databricks gratuit et exécutez les deux commandes suivantes dans un carnet Python

%pip installez dbdemos

import dbdemos
dbdemos.install('mlops-end2end')

Dbdemos est une bibliothèque Python qui installe des démonstrations Databricks complètes dans vos espaces de travail. Dbdemos chargera et démarrera des carnets de notes, des pipelines Delta Live Tables, des clusters, des tableaux de bord Databricks SQL, des modèles d'entrepôt... Voir comment utiliser dbdemos

Dbdemos est distribué en tant que projet GitHub.

Pour plus de détails, veuillez consulter le GitHub fichier README.md et suivez la documentation.
Dbdemos est fourni tel quel. Voir le Licence et Notice pour plus d'informations.
Databricks n'offre pas de support officiel pour dbdemos et les ressources associées.
Pour tout problème, veuillez ouvrir un ticket et l'équipe de démonstration examinera sur une base de meilleurs efforts.