Formation Formation MLOps et DataOps sur Google Cloud

Programme de la formation
Formation MLOps et DataOps sur Google Cloud

• Introduction MLOps & DataOps sur Google Cloud

  - Définition et importance de MLOps et DataOps
  - Écosystème Google Cloud pour l'IA/ML (Vertex AI, Dataflow, Cloud Storage, etc.)
  - Vue d'ensemble du cycle de vie du Machine Learning en production
  - Rappels sur les fondamentaux du Big Data et du Machine Learning

• Ingestion et préparation des données pour le ML

  - Stratégies d'ingestion de données sur Google Cloud (Cloud Storage, BigQuery)
  - Nettoyage et transformation des données avec Dataflow et Dataproc
  - Gestion des schémas et des versions de données
  - Bonnes pratiques de préparation des données pour les modèles

• Architecture de données pour le MLOps

  - Conception de lacs de données et entrepôts de données sur GCP
  - Utilisation de BigQuery pour l'analyse exploratoire et l'ingénierie de fonctionnalités
  - Streaming de données avec Pub/Sub et Dataflow
  - Sécurité et gouvernance des données sur Google Cloud

• Développement de modèles avec Vertex AI Workbench
• Entraînement distribué et hyperparamétrage

  - Entraînement de modèles à grande échelle avec Vertex AI Training
  - Utilisation de Scikit-learn, TensorFlow et PyTorch sur Vertex AI
  - Optimisation des hyperparamètres avec Vertex AI Vizier
  - Monitoring des entraînements et des ressources

• Gestion des modèles et registres MLOps

  - Enregistrement et versioning des modèles avec Vertex AI Model Registry
  - Suivi du lignage des modèles et des métadonnées
  - Artéfacts du modèle et intégration CI/CD
  - Organisation et partage des modèles au sein de l'équipe

• Déploiement de modèles en production (Online & Batch)

  - Déploiement de modèles pour l'inférence en ligne avec Vertex AI Endpoints
  - Déploiement de modèles pour l'inférence par lots avec Vertex AI Batch Prediction
  - Configuration des points de terminaison et des prévisions
  - Stratégies de déploiement (Canary, Blue/Green)

• Monitoring des modèles en production

  - Suivi des performances des modèles (dérive des données, dérive du concept)
  - Utilisation de Vertex AI Model Monitoring pour la détection d'anomalies
  - Alerting et intégration avec Cloud Monitoring et Cloud Logging
  - Mesure de la qualité des prédictions et des impacts métier

• Automatisation du pipeline MLOps avec Vertex AI Pipelines

  - Introduction à KubeFlow Pipelines et Vertex AI Pipelines
  - Création de composants de pipeline (préprocessing, entraînement, déploiement)
  - Orchestration de workflows ML complexes
  - Gestion des versions de pipeline et réexécution

• Intégration CI/CD pour MLOps

  - Principes de l'intégration continue et du déploiement continu en MLOps
  - Utilisation de Cloud Build pour l'automatisation des builds ML
  - Déploiement de pipelines MLOps via CI/CD
  - Tests automatisés des modèles et des pipelines

• Sécurité et Gouvernance en MLOps sur GCP

  - Gestion des accès avec IAM pour les ressources ML
  - Sécurité des données et des modèles (chiffrement, audits)
  - Conformité réglementaire et éthique dans l'IA
  - Journalisation des activités et traçabilité pour les pipelines MLOps

• Cas pratiques avancés & Bonnes pratiques MLOps

  - Mise en œuvre d'un pipeline MLOps de bout en bout : Étude de cas
  - Résolution de problèmes courants en MLOps
  - Optimisation des coûts des ressources ML sur GCP
  - Stratégies d'adoption MLOps en entreprise et roadmap