Formation Formation MLOps et DataOps : Concevoir, déployer, surveiller des pipelines

Programme de la formation
Formation MLOps et DataOps : Concevoir, déployer, surveiller des pipelines

• Introduction au MLOps & DataOps et ses enjeux

  - Définition et principes fondamentaux du MLOps
  - Comprendre les défis du déploiement de modèles en production
  - Introduction au DataOps : alignement données et opérations
  - Architecture typique d'un pipeline MLOps

• Fondamentaux de Python pour l'IA et l'infrastructure

  - Rappel des bases de Python orienté données (Numpy, Pandas)
  - Manipulation de fichiers et interaction avec le système
  - Gestion des environnements virtuels (venv, Conda)
  - Introduction aux bonnes pratiques de code Python

• Introduction à MLflow pour le suivi des expérimentations

  - Présentation de MLflow et de ses composants
  - Suivi des expérimentations avec MLflow Tracking
  - Journalisation des métriques et des hyperparamètres
  - Visualisation des runs dans l'interface utilisateur de MLflow

• Gestion des modèles avec MLflow Models

  - Enregistrement et versioning des modèles MLflow
  - Comprendre les formats de modèle MLflow (Python Function, Scikit-learn)
  - Chargement et utilisation des modèles versionnés
  - Sérialisation et désérialisation de modèles

• Déploiement de modèles avec MLflow Deployments

  - Introduction au déploiement local de modèles
  - Exportation et services de modèles avec MLflow
  - Déploiement basique d'un modèle via une API REST
  - Conteneurisation simple avec Docker pour le modèle

• Le registre de modèles MLflow pour la production

  - Utilisation du registre de modèles MLflow Registry
  - Gestion des étapes de cycle de vie des modèles (Staging, Production)
  - Transition et approbation de modèles
  - Accès programmatique au registre de modèles

• Intégration de Docker pour la conteneurisation

  - Concepts fondamentaux de Docker (images, conteneurs, Dockerfile)
  - Création d'images Docker pour applications ML
  - Lancement et gestion de conteneurs Docker
  - Optimisation des images Docker pour le déploiement

• Orchestration de pipelines MLOps avec des outils CI/CD

  - Introduction aux concepts CI/CD en MLOps
  - Vue d'ensemble des outils CI/CD pertinents (ex: Jenkins, GitLab CI)
  - Conception d'un workflow CI/CD simple pour un modèle
  - Intégration de MLflow dans un pipeline CI/CD

• Data Version Control (DVC) pour la gestion des données
• Surveillance et monitoring des modèles en production

  - Importance du monitoring en MLOps
  - Métriques clés à surveiller (dérive des données, dérive du modèle)
  - Outils et plateformes de surveillance (Prometheus, Grafana basics)
  - Mise en place d'alertes simples sur la performance du modèle

• Pipeline de données CI/CD avec DataOps

  - Principes du pipeline de données DataOps
  - Automatisation de l'ingestion et de la transformation des données
  - Tests de qualité des données et validation
  - Intégration des pipelines de données dans un workflow MLOps

• Cas pratiques et bonnes pratiques MLOps

  - Revue de cas d'usage MLOps réels
  - Démonstration de bout en bout d'un pipeline complet
  - Bonnes pratiques pour l'industrialisation des modèles
  - Résolution de problèmes courants en MLOps