Déployez vos modèles en production
Pilotez leur performance

Accélérez le déploiement et le pilotage en production de vos modèles de Machine Learning
avec la Plateforme de MLOps - Craft AI

Plateforme Craft AI

Le MLOps au service des équipes de Data Science

Sans MLOps, l’industrialisation d’une application d’IA dure de 4 à 6 mois en moyenne.

Déployez et redéployez vos modèles de ML & DL

Endpoint, API, Ré-entraînements

Passez vos modèles à l’échelle

x 1000 la taille de vos IA

Pilotez la performance des modèles

Dérive, Pilotage, Alertes

Gérez les infrastructures et les déploiements

Sans compétence de DevOps

Découvrir la plateforme

Notre plateforme à la loupe

Pipelines de Machine Learning

Développez vos modèles dans un espace de travail compatible avec l’intégralité des librairies open-source. Identifiez les étapes clés de votre code. Assemblez-les au sein de pipelines complets allant de la préparation des données jusqu’à l’entraînement des modèles.

Le pipeline est versionable et facilement déployable. Notre technologie de conteneurisation assure son passe à l’échelle sans reprise de code.

Pipelines de Machine Learning -
Capture d'écran de la plateforme
Environnements

Mettez en place en quelques clics des environnements composés de bases de données et de serveurs de calcul. Paramétrez simplement la taille et la puissance de chaque composant. Pilotez en temps réel les coûts de chaque environnement. Construisez des environnements dédiés à l’expérimentation et à la production.

Les environnements sont aisément paramétrables par les Data Scientists sans compétence de DevOps. Pilotez et maîtrisez votre budget d’infrastructure.

Déploiements

Déployez vos pipelines de Machine Learning en production en quelques clics. Créez un service permettant d’exposer le pipeline par API. Définissez des conditions d’exécutions (temporelles ou basées sur une métrique) afin d’automatiser les ré-entraînements. Redéployez vos pipelines avec de multiples méthodes : A/B testing, Canary, Shadowing, Failover.

Le déploiement s’effectue en quelques clics, sans compétence en DevOps. Il permet un gain de temps considérable et offre une autonomie totale aux Data Scientists.

Déploiements - Capture d'écran de la plateforme de MLOps
Suivi des exécutions

Obtenez le suivi détaillé de vos exécutions, étapes par étapes. Analysez le temps d’exécution de chaque étape ainsi que les ressources utilisées. Visualisez facilement les résultats et les modèles générés par vos pipelines. Soyez alertés en cas de défaillance lors de l’exécution d’un pipeline pour procéder au débuggage.

Le suivi des exécutions permet aux Data Scientists de ne plus être à l’aveugle sur le suivi des exécutions et de s’assurer de leur bon fonctionnement.

Suivi des exécutions - Capture d'écran de la plateforme de MLOps
Pilotage des modèles

Surveillez en temps réel la performance de vos modèles en production. Détectez automatiquement lorsque vos modèles dérives et perdent en précision. Déclenchez des ré-entraînements afin de corriger les dérives. Pilotez vos infrastructures et vos déploiements en surveillant leur bonne santé. Paramétrez des alertes pour réagir le plus rapidement possible en cas de problème.

L’outil de pilotage des modèles en production permet d’avoir une vue à 360° et en temps réel de la santé de vos applications d’IA.

Pilotages des modèles de ML - Capture d'écran de la plateforme de MLOps
Explicabilité (XAI)

Analysez le poids de chacune des variables explicatives dans la prédiction. Visualisez vos arbres de décision. Obtenez une explication locale ou globale, agnostique de l’algorithme utilisé avec Shap. Inspectez et analysez le comportement de chacune des variables explicatives ou prédites. Surveillez l’évolution de l’explicabilité même en production.

Grâce au module d’explicabilité des modèles, supprimez le fonctionnement “boîte noire” des algorithmes et gardez l’humain dans la boucle.

XAI - Capture d'écran de la plateforme de MLOps

Une plateforme compatible avec tout l’écosystème

amazon cloud software
Azure
google cloud
ovh
learn
pytorch
tensorflow
xg boost
Azure 2
jupyter
Framework
python
R Data science
sql
mongo db

Demander une démo

Une plateforme compatible avec tout l’écosystème

amazon cloud software
Azure
google cloud
ovh
learn
pytorch
tensorflow
xg boost
jupyter
Framework
python
R Data science
sql
mongo db

Get started !

Importez votre code

Depuis votre espace de travail individuel, récupérez votre code existant depuis un dépôt Git ou démarrez un nouveau projet de Data Science, seul ou en équipe.

Créez des pipelines

Construisez vos propres pipelines de Machine Learning en identifiant une série d’étapes pouvant aller de la préparation des données à l’entraînement des modèles. Enregistrez et versionez chaque pipeline dans la plateforme.

Exécutez les pipelines

Lancez l’exécution d’un pipeline directement dans l’espace de travail ou bien sur la plateforme pour disposer de ressources supplémentaires et d’avoir accès aux différentes fonctionnalités de suivi, de pilotage et d’explicabilité.

Déployez les pipelines en production

Une fois que le pipeline est validé, vous pouvez le déployer en production très facilement soit en l’exposant via un endpoint soit en définissant des règles d’exécution. De multiples méthodes de redéploiement sont également à votre disposition.

Get started !

Importez votre code

Depuis votre espace de travail individuel, récupérez votre code existant depuis un dépôt Git ou démarrez un nouveau projet de Data Science, seul ou en équipe.

Créez des pipelines

Construisez vos propres pipelines de Machine Learning en identifiant une série d’étapes pouvant aller de la préparation des données à l’entraînement des modèles. Enregistrez et versionez chaque pipeline dans la plateforme.

Exécutez les pipelines

Lancez l’exécution d’un pipeline directement dans l’espace de travail ou bien sur la plateforme pour disposer de ressources supplémentaires et d’avoir accès aux différentes fonctionnalités de suivi, de pilotage et d’explicabilité.

Déployez les pipelines en production

Une fois que le pipeline est validé, vous pouvez le déployer en production très facilement soit en l’exposant via un endpoint soit en définissant des règles d’exécution. De multiples méthodes de redéploiement sont également à votre disposition.

FAQ

Nous répondons aux questions les plus fréquentes que vous pouvez vous poser sur la plateforme de MLOps.

Voir toutes les questions

Est-ce que le coût d’utilisation des ressources Cloud est clairement indiqué ?

Vous avez accès en temps réel au coût à la journée de chacune des machines qui sont utilisées. Vous pouvez facilement modifier les paramètres, ajouter du GPU et visualiser vos coûts d’infrastructure par projet.

En quelle(s) langue(s) la plateforme est-elle disponible ?

La plateforme est disponible en langue anglaise dans un premier temps. Nous ajouterons progressivement un mode multi-langue permettant de paramétrer la langue de son choix.

Quel est l’intérêt d’une plateforme de MLOps ?

Une plateforme de MLOps permet de gérer sans compétence de DevOps préalable le passage en production et le pilotage de modèles de Machine & Deep Learning.

À qui est destinée la plateforme de MLOps ?

La plateforme de MLOps est destinée aux Data Scientists ou ML Engineers souhaitant déployer et maintenir leurs modèles de Machine Learning en quelques clics.

Comment contacter Craft AI ?

Une équipe support en France est disponible pour répondre à toutes vos questions.

Démarrez l’industrialisation de vos IA

Testez gratuitement notre plateforme de MLOps permettant d’accélérer le déploiement et le pilotage de modèles de Machine Learning.

Demander une démo

Plateforme Craft AI