Awesome GitHub RepositoriesML Data Integrity Checks

Deepchecks est un framework de validation de modèles de machine learning et une bibliothèque de test MLOps. Il sert de suite de qualité de données IA et d'évaluateur de performance conçu pour vérifier l'intégrité et la performance des modèles et des jeux de données, de la recherche à la production. Le projet fonctionne comme un outil de monitoring de modèle pour suivre la dérive des données et la dégradation des performances dans les environnements de production. Il permet la création de suites de validation personnalisées et utilise une architecture de vérification enfichable pour automatiser les contrôles de qualité au sein des pipelines d'intégration continue. Le framework couvre un large éventail de capacités, notamment la vérification de l'intégrité des données, la détection de dérive basée sur la distribution et la comparaison de versions de modèles. Il fournit une analyse spécialisée pour la vision par ordinateur et le traitement du langage naturel, ainsi que des outils de reporting qui transforment les métriques de validation en rapports visuels interactifs. Le système prend en charge le déploiement sur site pour maintenir la confidentialité des données et le contrôle de l'infrastructure.