Formation Formation MLOps et DataOps sur Google Cloud

01.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

02.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

03.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

04.Développement de modèles avec Vertex AI Workbench

05.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

06.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

07.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)

08.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

09.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

10.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

11.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

12.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