AI 용어집
인공지능 완전 사전
Orchestration de Pipelines ML
Coordination et automatisation des séquences d'étapes interconnectées dans un workflow de machine learning, de l'ingestion des données au déploiement du modèle, en assurant l'exécution, la surveillance et la gestion des dépendances.
Directed Acyclic Graph (DAG)
Structure de graphe orienté sans cycle utilisée pour représenter les dépendances entre les tâches d'un pipeline, où chaque nœud est une tâche et les arêtes définissent l'ordre d'exécution, garantissant l'absence de boucles infinies.
Workflow Manager
Système ou outil logiciel responsable de la planification, de l'exécution, du monitoring et de la reprise sur erreur des workflows complexes, souvent basé sur des DAGs pour orchestrer des tâches distribuées.
Task Scheduling
Mécanisme qui détermine quand et comment les tâches individuelles d'un pipeline sont exécutées en fonction de leurs dépendances, de la disponibilité des ressources et de déclencheurs prédéfinis (temps, événements).
Pipeline Dependency Management
Gestion explicite des relations d'antériorité entre les étapes d'un pipeline, assurant qu'une tâche ne s'exécute qu'une fois que toutes ses tâches parentes ont été complétées avec succès.
Idempotence
Propriété d'une tâche ou d'une opération de pipeline qui garantit que son exécution multiple avec les mêmes entrées produit le même état final, essentielle pour la reprise sur erreur et la fiabilité.
Pipeline Caching
Technique consistant à stocker les résultats de sortie des tâches ou étapes intermédiaires d'un pipeline pour éviter leur ré-exécution inutile lors de lancements ultérieurs, accélérant ainsi les itérations.
Pipeline Parameterization
Pratique de concevoir des pipelines avec des variables externes configurables, permettant de lancer des exécutions avec différents hyperparamètres, ensembles de données ou configurations sans modifier le code du pipeline.
Pipeline Versioning
Suivi et gestion des différentes itérations et configurations d'un pipeline au fil du temps, souvent via un système de contrôle de version, pour assurer la reproductibilité et la traçabilité des expériences.
Resource Provisioning
Allocation dynamique des ressources de calcul (CPU, GPU, mémoire) nécessaires à l'exécution de chaque tâche du pipeline, optimisant l'utilisation et le coût de l'infrastructure.
Pipeline Chaining
Technique d'orchestration avancée où la sortie d'un pipeline complet sert d'entrée à un autre pipeline, permettant de composer des workflows de bout en bout encore plus complexes et modulaires.
Conditional Execution
Logique d'orchestration qui active ou désactive l'exécution de certaines branches ou tâches d'un pipeline en fonction du résultat d'étapes précédentes ou de conditions externes.
Pipeline Monitoring
Surveillance continue de l'état d'avancement, des performances et des erreurs des pipelines en cours d'exécution, via des tableaux de bord, des alertes et des logs pour garantir leur bon fonctionnement.
Workflow-as-Code
Paradigme où les définitions de pipelines et leurs logiques d'orchestration sont déclarées et gérées comme du code source (ex: en Python ou YAML), favorisant l'infrastructure as code et la collaboration.
Pipeline Re-run
Capacité d'un orchestrateur à relancer sélectivement une partie ou la totalité d'un pipeline, que ce soit pour corriger une erreur, tester un changement ou mettre à jour des données.
Service Level Agreement (SLA) Monitoring
Suivi des performances d'un pipeline par rapport à des objectifs prédéfinis (ex: temps d'exécution maximum, taux de réussite), avec alertes en cas de non-respect pour garantir la qualité de service.