Formation Industrialiser la production de modèles Data Science avec Kubeflow

Introduction au MLOps & aux défis d'industrialisation Data Science

• —Comprendre les enjeux du MLOps pour la Data Science
• —Présentation des étapes clés d'un cycle de vie de projet ML
• —Identifier les goulots d'étranglement de la mise en production
• —Évolution et historique de l'industrialisation ML
• —Cas d'usage et bénéfices de l'industrialisation pour les entreprises

Fondamentaux de Kubernetes pour le MLOps

• —Rappels sur les conteneurs Docker et leur rôle
• —Architecture et concepts clés de Kubernetes : Pods, Deployments, Services
• —Gestion des ressources avec Kubernetes (CPU, RAM)
• —Déploiement d'une application simple sur Kubernetes
• —Introduction à la scalabilité et à la résilience

Présentation de Kubeflow : Anatomie et Composants

• —Qu'est-ce que Kubeflow et son écosystème ?
• —Vue d'ensemble des composants majeurs de Kubeflow : Pipelines, Notebooks, Training, Serving
• —Architecture globale de Kubeflow et son intégration à Kubernetes
• —Avantages de Kubeflow pour l'industrialisation ML
• —Cas d'usage réels et exemples d'entreprises utilisant Kubeflow

Environnements de développement interactifs avec Kubeflow Notebooks

• —Déploiement et gestion de Notebooks Jupyter via Kubeflow
• —Accès aux données et exécution de code ML dans les Notebooks
• —Intégration des notebooks à l'environnement Kubernetes
• —Best practices pour le développement collaboratif de notebooks
• —Versionnement et partage des notebooks Jupyter

Gestion des données pour les pipelines ML

• —Stratégies de stockage de données persistantes avec Kubernetes (PV, PVC)
• —Intégration de Kubeflow avec des stockages externes (S3, GCS, Azure Blob)
• —Gestion des jeux de données volumineux pour le Machine Learning
• —Prétraitement et transformation des données en vue du pipelining
• —Data Versioning et Lineage pour la reproductibilité

Kubeflow Pipelines : Concepts et Conception

• —Introduction aux Kubeflow Pipelines : composants, graphes DAG
• —Création de composants de pipeline réutilisables
• —Définition d'un pipeline ML simple avec KFP SDK
• —Exécution de pipelines et visualisation des exécutions
• —Gestion des paramètres et des entrées/sorties de pipeline

Entraînement de modèles distribués avec Kubeflow Training

• —Entraînement de modèles ML sur Kubernetes avec TFJob/PyTorchJob
• —Configuration des ressources GPU pour l'entraînement
• —Utilisation de KubeFlow Training Operator pour des entraînements distribués
• —Suivi et monitoring des métriques d'entraînement
• —Gestion des checkpoints et de la résilience d'entraînement

Déploiement de modèles en production avec Kubeflow Serving

• —Introduction à KServe (anciennement KFServing) pour le déploiement
• —Déploiement de modèles TensorFlow, PyTorch, Scikit-learn
• —Gestion des versions de modèles et mises à jour canary
• —Scalabilité automatique (Horizontal Pod Autoscaler) pour le serving
• —Monitoring des performances et de la latence du modèle

Opérations avancées sur Kubeflow Pipelines

• —Conditionnalité et boucles dans les pipelines
• —Parallélisation des tâches et optimisation de l'exécution
• —Traitement d'erreurs et gestion des échecs de pipeline
• —Intégration CI/CD pour les pipelines Kubeflow
• —Techniques de débogage et de troubleshooting des pipelines

Monitoring, Logging et Observabilité dans Kubeflow

• —Surveillance des ressources Kubernetes et Kubeflow
• —Collecte et centralisation des logs avec Fluentd/Elasticsearch/Kibana
• —Métriques et tableaux de bord Prometheus/Grafana pour le MLOps
• —Alerting et notification en cas de défaillance
• —Observabilité des modèles en production (dérive, performances)

Sécurité et Bonnes Pratiques en MLOps avec Kubeflow

• —Gestion des identités et des accès (RBAC) dans Kubernetes/Kubeflow
• —Sécurisation des données et des communications
• —Gestion des secrets et des informations sensibles
• —Automatisation des tests et validation des modèles
• —Conformité et réglementation des modèles (explicabilité, biais)

Cas Pratiques et Industrialisation de bout en bout

• —Atelier pratique : Création d'un pipeline complet d'entraînement et déploiement
• —Mise en œuvre d'un projet Data Science sur Kubeflow
• —Conseils pour l'adoption de Kubeflow en entreprise
• —Étude de cas réels : architecture MLOps robuste
• —Bonnes pratiques pour une industrialisation réussie et évolutive

OPCO

Formations financées via votre opérateur de compétences

FAF

Aide à la formation pour les indépendants

France Travail

Des aides pour les demandeurs d'emploi

Employeur

Votre entreprise peut financer votre formation

FNE-Formation

Un soutien pour les entreprises en transformation

- Des connaissances en Python. - Une expérience de base avec le Machine Learning. - Des notions fondamentales de Linux/Git et des concepts de conteneurisation (Docker).

- Un ordinateur portable puissant (Minimum 8 Go de RAM, de préférence 16 Go). - Un environnement de travail stable (Connexion internet rapide, idéalement fibrée). - Les accès configurés à un compte Google Cloud Platform (GCP) ou un autre fournisseur de cloud si la formation utilise des ressources cloud.

5 tests d'évaluation sont proposés à l'apprenant en fin de formation pour connaître son niveau sur chaque compétences visées.

Plateforme et contenus e-learning à disposition. Test de positionnement Quizz & Evaluations

Nous vous recevons lors d’un rendez-vous d’information préalable gratuit et confidentiel en visioconférence pour analyser vos besoins et co-construire votre parcours personnalisé. Chaque demande s’accompagne de la remise d’une convention ou d’un contrat précisant l’ensemble des informations relatives à la formation (Tarifs, calendrier, durée, lieu…). Ce contrat/convention sera transmis électroniquement par email.

A partir de l’accord de prise en charge par le financeur sollicité, le bénéficiaire peut démarrer sous un délai de 11 jours ouvrés. Si vous financez votre parcours de formation par vos propres moyens, alors le délai d'accès est immédiat. Vous pouvez entrer en formation tout au long de l’année.

♿️ Nous accueillons les personnes en situation de handicap. Les conditions d’accessibilité aux personnes handicapées sont inscrites sur le site imi-education.fr, rubrique Accessibilité.

Saskia Cazettes Pour tout renseignement : 07 80 91 06 14 / saskia.c@imi-executive-solutions.com

23 mars 2026

La formation alterne apports théoriques, mises en situation pratiques et échanges entre participants. Chaque concept est directement appliqué via des exercices concrets et des cas réels.

Oui, chaque participant reçoit un support de cours complet (format numérique et/ou papier) qu'il peut conserver à l'issue de la formation.

Certaines de nos formations sont éligibles au Compte Personnel de Formation (CPF). Consultez la fiche formation ou contactez-nous pour vérifier l'éligibilité.

Plusieurs dispositifs de financement existent : CPF, OPCO, plan de développement des compétences, financement individuel. Notre équipe peut vous accompagner dans vos démarches.

Oui, notre équipe reste disponible pour toute question post-formation. Vous bénéficiez également d'un accès à nos ressources en ligne pendant 6 mois après votre parcours.

Kubeflow est un orchestrateur de workflows d'apprentissage automatique (ML) qui permet de déployer et de gérer des modèles de Data Science de manière efficace et scalable. Il est important pour l'industrialisation de Data Science car il permet de automatiser les workflows et de garantir la qualité et la fiabilité des modèles.

Notre organisme de formation s'engage à accueillir et accompagner les personnes en situation de handicap. Notre référente handicap, Mme Lorène Travaux est disponible pour étudier avec vous les adaptations pédagogiques, techniques ou logistiques nécessaires avant toute inscription. Contactez-nous à hello@imi-executive-solutions.com ou au 06 72 09 69 52.