Automatisation

Obtention des données

Le serveur web sera déployé sur Google Cloud Run et programmé pour récupérer les données pertinentes d'Iron Hand de manière répétée, toutes les heures. Il téléchargera les données dans un format lisible..

Ingestion des données et prétraitement

Afin de débuter le processus d'apprentissage du modèle, le fichier lisible dans GCS sera chargé et prétraité afin de préparer des données de haute qualité pour l'apprentissage. La phase de prétraitement nettoie les données, engage l'ingénierie des caractéristiques afin de générer de nouvelles caractéristiques pour améliorer le potentiel prédictif du modèle, normaliser les données, diviser les données en ensembles de formation, de validation et de test, etc.

Hyperparameter Tuning

L'ajustement des hyperparamètres tels que le nombre de neurones, la fonction d'activation, le taux d'apprentissage, la taille du lot, la fonction de perte, les époques, etc. améliore les performances du modèle.

Entraînement du modèle

Lors de cette phase, on définit le modèle LSTM, on l'entraîne, on effectue des prédictions et on évalue le modèle.

Évaluation du modèle

Utilisation de l'ensemble de test pour évaluer la performance du modèle et s'assurer que la performance du modèle dépasse un certain seuil, puis enregistrement dans GCS.

Déploiement du modèle

Déploiement du modèle sauvegardé pour fournir des données de prédiction.

Surveillance continue

Contrôle de la santé et de ses performances du modèle déployé et mise en place d'alertes en cas d'anomalies ou de dérives dans les performances du modèle.

Retours d'expérience & réentraînement

Si la phase de surveillance détecte une dérive ou une baisse des performances, réentraînement du modèle.