Basé sur des expériences réelles (mais anonymisées), je recense de nombreux comportements qui feront inévitablement échouer l'opérationnalisation (le "Ops") du Machine Learning :

- ne pas reusiner le code des notebooks
- ne pas assurer la reproductibilité (oublier des éléments à versionner)
- ne pas bien séparer les environnements
- ne pas s'adapter aux scénarios de serving (batch ou réal time)
- ne pas surveiller la dérive du modèle

Bien sûr, toutes ces mauvaises pratiques visent à mettre en lumière les bons réflexes à adopter pour réussir l'industrialisation des PoC de Data Science.

Présentation en cours d'élaboration, construite au fur à et mesure de mes projets MLOps chez différents clients qui ne seront pas cités