Frameworks de ML en production : 2 talks

Première talk : Pitfalls of machine learning in production

Résumé :
Le ML n'est pas à l'abri des écueils du software engineering classique (citons par exemple le manque d’abstractions ou le couplage fort), mais il souffre aussi de problèmes spécifiques : la reproductibilité ou encore la dépendances aux données. Nous allons étudier dans cette talk différentes plateformes qui ont été créées pour résoudre ces problèmes (TFX, MLFlow, et la notre : Hyperplan) afin de comprendre les solutions qu'elles proposent et discerner des patterns et anti-patterns.

Bio :
Ingénieur ML diplomé de Polytech Nantes et ancien d'iAdvize, Antoine Sauray est fondateur de Hyperplan.io.

Deuxième talk : Overton, la vision du ML engineering par Apple

Résumé :
Début septembre, Apple a publié un papier décrivant Overton, le framework qu'ils ont construit pour créer, monitorer et améliorer des systèmes de ML destinés à la prod. Après avoir présenté les grandes lignes qui définissent ce framework, on s'intéressera de plus près au cœur d'Overton : le slice-based learning.

Bio :
Hugo Mougard est ingénieur ML à source{d} où il travaille sur l'application du Machine Learning au code.

Lectures :

• Overton: A Data System for Monitoring and Improving Machine-Learned Products, https://arxiv.org/abs/1909.05372.