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

01.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

02.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

03.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

04.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

05.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

06.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

07.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

08.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

09.Data Version Control (DVC) pour la gestion des données

10.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

11.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

12.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