Formation MLOPS

Objectifs

• Maîtriser les techniques de gestion, de nettoyage et de préparation des données.


• Utiliser des outils de versioning pour les données et les modèles.


• Concevoir et implémenter des pipelines d'apprentissage automatique automatisés.


• Maîtriser les stratégies de déploiement des modèles d'apprentissage automatique.


• Intégrer l'IA (notamment IA gen) dans son quotidien de développeur


• Savoir basculer les modèles d'IA Gen en MLOps
  
  
  
  • Gestion, traitement et stockage de données complexes (images, textes, sons)
  
  
  • Maîtrise du prompt engineering pour améliorer la performance des modèles de NLP en production, réduire les coûts d'entrainement
  
  
  • Déploiement et scalabilité de modèles d'IA génératifs
  
  
  
  


• Mettre en place des systèmes de surveillance de la performance des modèles en production.


• Communiquer efficacement les résultats et les processus techniques à des non-experts.


• Gérer les aspects de confidentialité et de réglementation des données.


• Adapter les solutions MLOps pour la scalabilité et la gestion des ressources.


• Lister les impacts éthiques, sociaux et environnementaux d'un déploiement massif d'Intelligence Artificielle en entreprise.

Syllabus

Gestion et versioning des données et modèles ( 3 semaines )  

• Organiser et gérer de grands ensembles de données pour l'entraînement et la validation.


• Utiliser des outils comme DVC pour versionner les données et les modèles.


• Assurer la traçabilité et la reproductibilité des expériences.

Automatisation des pipelines d'apprentissage automatique ( 4 semaines )

• Concevoir et mettre en œuvre des pipelines automatisés pour l'entraînement, le test et le déploiement des modèles.


• Utiliser des outils comme Jenkins, GitLab CI/CD pour l'automatisation.


• Utiliser des bibliothèques ML ?


• Optimiser les pipelines pour réduire les temps d'exécution.

Déploiement et surveillance des modèles en production ( 3 semaines )

• Déployer des modèles d'IA dans des environnements de production en utilisant des outils comme Docker, Kubernetes.


• Surveiller les performances des modèles en temps réel et déclencher des alertes en cas de dérive.


• Mettre à jour et re-entraîner les modèles en fonction des feedbacks et des nouvelles données.

 

Collaboration interdisciplinaire ( 2 semaines )

• Travailler en étroite collaboration avec les équipes de data science, de développement et d'opérations.


• Faciliter la communication entre les équipes pour assurer une mise en œuvre fluide du MLOps.


• Résoudre les conflits et les défis techniques en collaboration avec les parties prenantes.

Sécurité et conformité des pipelines MLOps ( 2 semaines )

• Assurer la sécurité des données et des modèles tout au long du pipeline.


• Mettre en place des protocoles pour garantir la confidentialité et la conformité réglementaire.


• Effectuer des audits réguliers pour détecter et corriger les vulnérabilités.

Optimisation continue et scalabilité ( 2 semaines )

• Évaluer et améliorer continuellement les performances des pipelines.


• Adapter les solutions MLOps à la croissance et à l'évolution des besoins.


• Intégrer de nouvelles technologies et méthodologies pour rester à la pointe du domaine.

Comment ?

Méthodes pédagogiques

1 poste par stagiaire

Remise d'un support pédagogique (numérique ou papier) pendant la formation

La formation est constituée d'apports théoriques, d'exercices pratiques, de réflexions et de retours d'expérience

 

********************

Formation distancielle, synchrone, avec le formateur en visioconférence

Partage d'écran formateur et stagiaire pour les présentations, démonstrations et vérification des mises en application

Un support technique accompagne la préparation et le suivi du parcours d'apprentissage

Séquençage pédagogique construit et adapté au mode d'organisation distanciel

Remise d'une documentation pédagogique numérique pendant le stage

La formation est constituée d'apports théoriques, d'exercices pratiques, de réflexions et de retours d'expérience

Évaluation

Auto-évaluation des acquis par le stagiaire via un questionnaire en ligne

Attestation de fin de stage remise au stagiaire

 

***************

Évaluation du formateur au fil des séquences pédagogiques.

Auto-évaluation des acquis par le stagiaire via un questionnaire en ligne

Attestation de fin de stage remise au stagiaire