Formation Développement Application IA avec Red Hat OpenShift: Déploiement Efficace

Programme de la formation
Développement Application IA avec Red Hat OpenShift: Déploiement Efficace

• Introduction à Red Hat OpenShift AI et aux Fondamentaux du MLOps

  - Définition et rôle de Red Hat OpenShift AI dans l'écosystème IA/ML
  - Principes fondamentaux du MLOps et cycle de vie d'un projet IA
  - Comparaison OpenShift AI vs plateformes MLOps classiques
  - Cas d'usage concrets et bénéfices métier de l'IA sur OpenShift
  - Présentation de l'environnement de TP et des outils nécessaires

• Configurer votre Environnement et Accéder aux Ressources

  - Accès et gestion des projets Red Hat OpenShift AI
  - Configuration des espaces de travail et des notebooks Jupyter
  - Utilisation des environnements d'exécution personnalisés
  - Gestion des utilisateurs, des rôles et des permissions (RBAC)
  - Introduction à la console web et à l'interface en ligne de commande (CLI)

• Ingestion et Préparation des Données sur OpenShift AI

  - Connexion aux différentes sources de données (object storage, bases de données)
  - Techniques de nettoyage et de transformation des données avec scikit-learn/Pandas
  - Visualisation exploratoire des données (EDA)
  - Stratégies de versioning des données avec DVC ou équivalent
  - Bonnes pratiques pour la gouvernance des données en MLOps

• Développement de Modèles IA avec Jupyter et Red Hat OpenShift AI

  - Création et exécution de notebooks Jupyter sur OpenShift AI
  - Utilisation des frameworks ML/DL : TensorFlow, PyTorch, scikit-learn
  - Développement de modèles pour la classification et la régression
  - Entraînement distribué et optimisation des performances
  - Versioning du code et des dépendances (Git)

• Gestion du Cycle de Vie des Modèles avec MLflow

  - Introduction à MLflow pour le suivi des expériences
  - Logging des métriques, des paramètres et des artefacts (modèles)
  - Comparaison et choix des meilleures exécutions
  - Enregistrement et gestion des versions de modèles dans le Model Registry
  - Intégration de MLflow dans les pipelines OpenShift AI

• Déploiement de Modèles IA : Fondamentaux et Serverless

  - Concepts de déploiement de modèles : microservices, APIs REST
  - Utilisation de KServe pour le déploiement de modèles serverless
  - Configuration des endpoints et des prédictions en temps réel
  - Gestion des versions de modèles et des rollbacks
  - Monitoring basique des services de prédiction

• Pipeline MLOps : Orchestration avec OpenShift Pipelines (Tekton)

  - Introduction à OpenShift Pipelines et au concept de CI/CD pour l'IA
  - Définition de tâches et de pipelines Tekton pour l'entraînement automatique
  - Intégration des étapes : préparation, entraînement, évaluation, déploiement
  - Automatisation des workflows avec déclencheurs (Git push, horaires)
  - Visualisation et suivi de l'exécution des pipelines

• Surveillance et Réentraînement des Modèles en Production

  - Mise en place de Prometheus et Grafana pour le monitoring de l'IA
  - Suivi des métriques de performance et de latence des modèles
  - Détection de la dérive des données et des modèles (data/model drift)
  - Stratégies de réentraînement des modèles en production
  - Alerting et notification en cas d'anomalies

• Optimisation, Sécurité et Gouvernance des Applications IA

  - Optimisation des performances des inférences (quantification, TensorRT)
  - Sécurisation des API de modèles et des données sensibles
  - Gestion des quotas et des ressources sur OpenShift AI
  - Notions de Fair AI et d'explicabilité des modèles (XAI)
  - Bonnes pratiques de gouvernance et de conformité en MLOps

• Développement d'Applications Basées sur l'IA Générative

  - Concepts de l'IA Générative et des Large Language Models (LLM)
  - Utilisation des modèles pré-entraînés sur OpenShift AI
  - Fine-tuning et adaptation des LLM à des cas d'usage spécifiques
  - Déploiement et exposition d'API pour l'IA générative
  - Bonnes pratiques pour l'intégration de LLM dans les applications

• Mise à l'Échelle et Haute Disponibilité des Services IA
• Projets Pratiques et Bonnes Pratiques MLOps Avancées

  - Réalisation d'un projet de bout en bout sur OpenShift AI
  - Discussion sur les architectures MLOps avancées et les anti-patterns
  - Intégration avec des systèmes externes et des bases de données NoSQL
  - Introduction aux tests de modèles et de pipelines MLOps
  - Présentation des évolutions futures de Red Hat OpenShift AI