Que fait ml-pipeline ?
Conçoit et implémente une infrastructure de pipelines ML de qualité production : configuration du suivi d'expériences avec MLflow ou Weights & Biases, création de DAGs Kubeflow ou Airflow pour l'orchestration de l'entraînement, construction de schémas de feature store avec Feast, déploiement de registres de modèles et automatisation des workflows de réentraînement et de validation. À utiliser lors de la construction de pipelines ML, de l'orchestration de workflows d'entraînement, de l'automatisation du cycle de vie des modèles, de l'implémentation de feature stores, de la gestion de systèmes de suivi d'expériences, de la mise en place de DVC pour le versionnement des données, de l'optimisation des hyperparamètres ou de la configuration d'outils MLOps comme Kubeflow, Airflow, MLflow ou Prefect.