MLOps & Machine Learning End-To-End

2 jours
--
chez Hymaïa

Le terme MLOps (Machine Learning Operations) est de plus en plus souvent employé dans la communauté data et est rapidement devenu un concept central dans la gestion des projets Data Science. Son objectif est de fournir un ensemble de pratiques et outils afin de penser, construire, et manager l’ensemble du cycle de vie d’un logiciel à base de Machine Learning. Si le déploiement et la gestion d’un modèle en production fait partie des principaux enjeux du MLOps, c’est bien l’ensemble du cycle de vie qui est concerné afin de l’optimiser et d’accélérer la création de valeur via le Machine Learning.

Cette formation MLOps a pour objectif de vous fournir toutes les clés pratiques et techniques afin de réaliser des projets Machine Learning end-to-end.

Prix*
1500€ HT
Prochaine session :
Nous contacter
*finançable par l'OPCO En savoir plus

Objectifs

<div class="wrapper-block"><div class="wrapper-objectives"> <div class="icons-check"> </div>Définir les grands enjeux et piliers du MLOps</div><div class="wrapper-objectives"> <div class="icons-check"> </div>Comprendre les points communs et différences avec le DevOps</div><div class="wrapper-objectives"> <div class="icons-check"> </div>Industrialiser un projet de Machine Learning, du notebook à l’IDE</div><div class="wrapper-objectives"> <div class="icons-check"> </div>Monitorer, maintenir et ré-entraîner automatiquement un modèle de Machine Learning en production</div></div><div class="wrapper-objectives"> <div class="icons-check"> </div>Ajouter de l’automatisation sur l’ensemble du cycle de vie d’un projet Data Science, notamment vie de l’intégration et du déploiement continu</div>

Note

Public cible

  • Data Scientists
  • ML Engineers
  • Data Engineers

Prérequis

  • Être à l’aise en Python.
  • Avoir des bases en Data Science

Taux d'abandon

--

Programme détaillé

Télécharger

MLOps : Définition et principaux enjeux

  • MLOps & Machine Learning Lifecycle
  • DevOps & MLOps : points communs et principales différences
  • Culture, Pratiques et Outils : les 3 axes de travail du MLOps
  • Framework CALMS appliqué au Machine Learning

Créer une Culture du MLOps

  • Communication et collaboration
  • Bonnes pratiques du Software Craftsmanship
  • Bonnes pratiques agiles

Étape 1 : Du notebook au projet industrialisé

Objectif : Passer de l’idée à l’industrialisation d’un projet de Machine Learning

Framing et Value Proposition

  • Machine Learning Canvas
  • Travailler sa Value Proposition
  • Identifier et anticiper les risques liés au Machine Learning

Se préparer pour l’industrialisation

  • Bonnes pratiques de structuration de ses notebooks
  • Gestion des environnements Python

Industrialiser: les clés pour devenir production-ready

  • TDD et stratégie de tests du code
  • Versioning du code

Packaging

  • Enjeux du packaging
  • Gestion des dépendances

Étape 2 : Gérer la vie du modèle en production

Objectif : Gérer son modèle en production via du monitoring, de l’orchestration, du ré-entraînement et du déploiement automatique.

Déploiement et serving de modèles de Machine Learning

  • Stratégies de déploiement de modèles
  • Stratégies pour le serving de modèles
  • Feature Store pour la gestion du Feature Engineering

Monitoring et Alerting

  • Monitorer la Data
  • Monitorer l’infrastructure
  • Monitorer les performances du modèle

Feedback loop et Ré-entrainement automatique

  • Critères pour déclencher un ré-entraînement de modèle
  • Stratégies de déploiement automatique d’une nouvelle version du modèle

Orchestration de pipelines de Machine Learning

  • Les enjeux de l’orchestration
  • Spécificités de l’orchestration de projets de Machine Learning

Gestion des artefacts liés au Machine Learning

  • Les différents artefacts nécessaires à la reproductibilité
  • Versioning des différents artefacts

Phase 3 : Automatiser l’ensemble du cycle de vie du modèle

Objectif : Automatiser chacune des étapes du cycle de vie d’un projet de Machine Learning afin de déployer automatiquement une nouvelle version d’un modèle à chaque changement de scope.

Gérer sa donnée : Qualité et versioning

  • Versioning de la donnée
  • Data Observability

Structuration du travail exploratoire

  • Experiment Tracking
  • Knowledge Repository

CI/CD appliqué au Machine Learning

  • Définition de la CI/CD dans un contexte logiciel
  • Les spécificités de la CI/CD appliquées aux pipelines de Machine Learning

Stratégie de Tests

  • Pyramide de tests
  • Les tests nécessaires à chaque étape du cycle de vie

Formateur(s)

Financer votre formation par un OPCO

En tant qu'organisme certifié Qualopi, les formations que nous vous proposons sont finançables par l'OPCO. Trouvez l'OPCO dont vous dépendez ici
Où nous trouver ?

Ces formations pourrait aussi vous intéressez

1 jour
750€ HT
Nous contacter

IA pour Product Managers

en detail
1 jour
750€ HT
Nous contacter

Machine Learning Strategy

en detail

Les prochains événements Hymaïa

JEU. 20 JUIN - 09:00
en savoir plus
chez Hymaïa

Hymatin : Data Strategy & Mesure de ROI

Appuyez-vous sur les bonnes compétences Data

Nous vous apporterons une réponse sur mesure en vous délivrant notre savoir technologique et méthodologique.