Formation Formation MLOps AWS : Concevez, Déployez et Surveillez vos Pipelines Data

Programme de la formation
Formation MLOps AWS : Concevez, Déployez et Surveillez vos Pipelines Data

• Introduction au MLOps & DataOps sur AWS

  - Définition et importance du MLOps et DataOps dans les projets IA.
  - Rôles et responsabilités clés en MLOps/DataOps.
  - Présentation de l'écosystème AWS pour le Machine Learning et les opérations.

• Fondations AWS pour le MLOps : S3, IAM, CloudFormation

  - Gestion des données avec Amazon S3 : Buckets, versions, réplication.
  - Sécurité et permissions avec AWS IAM pour les services ML.
  - Automatisation de l'infrastructure avec AWS CloudFormation.

• Préparation des données avec AWS Glue et Sagemaker Processing

  - Ingestion et transformation des données avec AWS Glue Data Catalog et ETL.
  - Utilisation de SageMaker Processing pour le nettoyage et l'ingénierie de features.
  - Stockage optimisé pour le ML : Athena, Redshift, Lake Formation.

• Entraînement et gestion de modèles avec Amazon SageMaker
• Déploiement de modèles en production avec SageMaker Endpoints

  - Déploiement batch et temps réel de modèles via SageMaker Endpoints.
  - Stratégies de déploiement : A/B Testing, Canary, Blue/Green.
  - Mise à l'échelle automatique des endpoints.

• Intégration Continue (CI) pour les composants MLOps
• Déploiement Continu (CD) des pipelines MLOps avec CodePipeline

  - Concevoir un pipeline CD avec AWS CodePipeline.
  - Intégration de SageMaker, CodeBuild et CloudFormation dans un pipeline.
  - Déploiement automatisé de modèles et d'infrastructures.

• Orchestration de pipelines MLOps avec AWS Step Functions

  - Modélisation de workflows complexes avec AWS Step Functions.
  - Intégration de SageMaker, Lambda, S3 dans un workflow Step Functions.
  - Gestion des états et des erreurs dans les pipelines.

• Surveillance et Observabilité des modèles en production
• Gouvernance et Sécurité des Pipelines MLOps sur AWS
• Optimisation des coûts et des performances

  - Stratégies d'optimisation des coûts avec les instances SageMaker.
  - Optimisation des performances des modèles et des pipelines.
  - Utilisation des Savings Plans et Spot Instances pour le ML.

• Cas Pratiques et Bonnes Pratiques MLOps/DataOps

  - Revue de cas d'usage réels et architectures MLOps sur AWS.
  - Mise en œuvre de meilleures pratiques de conception et d'opération.
  - Questions/réponses et synthèse des acquis.