Happy R - MLOps pour la reproductibilité et la traçabilité des expériences d’apprentissage Structurer des projets de recherche avec UV, Hydra, Optuna et MLflow

Garantir la reproductibilité et la traçabilité des expériences constitue un enjeu essentiel dans la conduite de projets de recherche en apprentissage automatique. Les outils issus de l’ingénierie logicielle et de l'apprentissage automatique industriel apportent une réponse efficace à ces besoins grâce à un coût d’intégration réduit et une puissance utilitaire forte.

Cet atelier propose une introduction pratique à quatre outils largement utilisés dans les workflows modernes de MLOps (Machine Learning Operations) qui s'avèrent adaptés à des projets de recherche en Python : 

À travers le développement guidé d’un projet simplifié, les participants de l'atelier auront l'occasion de comprendre en profondeur la philosophie des outils, structurer une pipeline expérimental (traitement et gestion des versions des ensembles de données, entraînement d’un modèle, optimisation élémentaire des hyperparamètres) et transmettre son projet à un collègue chargé de reproduire les résultats obtenus. L'atelier à comme objectif de mettre en évidence la manière dont ces outils facilitent l’organisation du code, la reproductibilité des expériences et la collaboration au sein d’équipes de recherche.