La performance des systèmes ML (Machine Learning) dépend fortement de la qualité des données en entrée. Établir des tests de qualité de la donnée et limiter la "pipeline debt" font partie des enjeux et du suivi en production d'un produit ML (d'autant plus en mode DataMesh ou DataPlatform).

Si vous aussi vous rencontrez ces problématiques ? Alors la bibliothèque Great Expectations est peut-être faite pour vous.

Dans ce Tools In Action vous découvrirez l'implémentation de Great Expectations pour monitorer la qualité d'un projet. On mettra également au point des alertes efficaces en cas de perte de qualité en production.