Formation Développer et déployer des applications d'Intelligence Artificielle avec OpenShift AI

Programme de la formation
Développer et déployer des applications d'Intelligence Artificielle avec OpenShift AI

• Introduction à Red Hat OpenShift AI et MLOps

  - Présentation de Red Hat OpenShift AI et son écosystème
  - Comprendre les principes fondamentaux du MLOps
  - Cas d'usage et avantages d'OpenShift AI pour le développement IA

• Configuration de l'environnement de développement IA

  - Accès et prise en main de la plateforme OpenShift AI
  - Gestion des projets et des espaces de travail
  - Configuration des ressources de calcul (CPU/GPU)

• Exploration et préparation des données pour l'IA
• Développement de modèles d'apprentissage automatique (ML)

  - Utilisation des notebooks Jupyterlab sur OpenShift AI
  - Implémentation de modèles de ML (Scikit-learn, TensorFlow, PyTorch)
  - Entraînement et validation de modèles

• Gestion du cycle de vie des modèles avec Kubeflow

  - Introduction à Kubeflow Pipelines sur OpenShift AI
  - Création de pipelines ML pour l'automatisation
  - Versioning et traçabilité des modèles

• Optimisation et réglage des hyperparamètres

  - Stratégies de recherche d'hyperparamètres (Grid Search, Random Search)
  - Utilisation de KubeFlow pour l'optimisation distribuée
  - Évaluation des performances des modèles

• Conteneurisation des applications IA avec OpenShift

  - Principes de Docker et de la conteneurisation
  - Création d'images Docker pour les modèles IA
  - Déploiement d'applications conteneurisées sur OpenShift

• Déploiement de modèles IA en production

  - Utilisation de Seldon Core pour le déploiement de modèles
  - Configuration des points de terminaison (endpoints)
  - Stratégies de déploiement (bleu/vert, canary)

• Surveillance et maintenance des applications IA

  - Supervision des performances des modèles déployés
  - Détection de la dérive des données et des modèles (data/model drift)
  - Utilisation de Prometheus et Grafana pour le monitoring

• Intégration et APIfication des modèles IA

  - Conception d'APIs RESTful pour l'accès aux modèles
  - Sécurisation des endpoints des services IA
  - Interaction avec des applications externes

• Principes de l'IA responsable et éthique

  - Comprendre les biais et l'équité des modèles IA
  - Explicabilité et interprétabilité des modèles (XAI)
  - Bonnes pratiques pour une IA éthique

• Préparation à l'examen EX267 et cas pratiques avancés

  - Révision des concepts clés et des scénarios d'examen
  - Exercices pratiques et résolution de problèmes complexes
  - Conseils et stratégies pour réussir l'examen de certification