toute personne intéressée par les data-sciences, et l'utilisation et le choix de modèles, et la gestion de modèles.
Savoir identifier les modèles pertinents selon les cas d'usage, maitriser les outils et méthodes pour référencer, gérer les modèles utilisés
|
| Introduction à MLOps et la gestion de modèles |
Durée : 4h
Méthodes pédagogiques : alternance de théorie et de travaux pratiques
Matériels et moyens : vidéo-projecteur en présentiel, tableau partagé en classe virtuelle, infrastructure distribuée serveurs Linux | Définition. Importance de la collaboration entre data scientists et ingénieurs.
Les défis de la mise en production de modèles (dérive, réentraînement, monitoring), et les avantages d'une gestion efficace.Atelier : cycle de vie d'un modèle en MLOps : vue d'ensemble des différentes étapes, de la conception à la mise hors service.
|
|
| Outils et technologies clés |
Durée : 4h
Méthodes pédagogiques : alternance de théorie et de travaux pratiques
Matériels et moyens : vidéo-projecteur en présentiel, tableau partagé en classe virtuelle, infrastructure distribuée serveurs Linux | Plateformes MLOps : Présentation des principales plateformes (MLflow, Kubeflow, AWS SageMaker, Azure Machine Learning) et de leurs fonctionnalités clés.
Outils de versioning : Git, DVC, comment gérer le code, les données et les modèles.
Registres de modèles : Stockage, versioning, et partage des modèles.
Orchestration de workflows : Airflow, Luigi, pour automatiser les pipelines MLOps.Atelier : mise en oeuvre de Airflow
|
|
| Les bonnes pratiques de gestion de modèles |
Durée : 4h
Méthodes pédagogiques : alternance de théorie et de travaux pratiques
Matériels et moyens : vidéo-projecteur en présentiel, tableau partagé en classe virtuelle, infrastructure distribuée serveurs Linux | Versioning et suivi : Importance de la version, des métadonnées, et des logs pour la reproductibilité.
Déploiement : Stratégies de déploiement (A/B testing, canary releases), et les environnements de déploiement (cloud, on-premise).
Monitoring : Suivi des performances des modèles en production, détection d'anomalies, et alertes.
Réentraînement et mise à jour : Stratégies pour maintenir les modèles à jour, et les défis liés au réentraînement continu.Atelier : exemples de monitoring
|
|
| Défis et tendances |
Durée : 2h
Méthodes pédagogiques : exposé/échanges
Matériels et moyens : video-projecteur en présentiel, tableau partagé en classe virtuelle | Gouvernance des données : Questions de confidentialité, de sécurité, et de conformité.
Expérience utilisateur : Faciliter l'utilisation des modèles par les équipes métier Intégrabilité : Intégrer les modèles dans les applications existantes.
Tendances futures : MLOps décentralisé, MLOps pour l'IA générative.
|
