MLOps & Machine Learning End-To-End
Comment maîtriser tout le cycle de vie d'un projet de Machine Learning ? Du cadrage au déploiement, du monitoring au ré-entraînement automatique, adoptez les bonnes pratiques MLOps pour accélérer la mise en production de vos modèles.
2 jours
Max 12 participants
Les apprentissages clés
de la formation
Cadrer et industrialiser un projet ML
Structurer un projet ML de bout en bout (ML Canvas, value proposition, risques) et passer du notebook à du code production avec TDD, versioning et packaging.
Déployer et monitorer en production
Choisir la bonne stratégie de serving (batch, temps réel), mettre en place le monitoring (data drift, model decay) et automatiser le ré-entraînement.
Automatiser le cycle de vie complet
Implémenter le data versioning, l'experiment tracking et une CI/CD spécifique ML avec une pyramide de tests adaptée.
Les modules de la formation
Huit modules pour couvrir le cycle de vie ML complet, des fondations MLOps à l'automatisation CI/CD en passant par le déploiement et le monitoring.
MLOps : fondations
Comprendre les enjeux du MLOps, le positionner par rapport au DevOps et apprendre à cadrer un projet ML avec les bons outils.
Objectifs :
- Comprendre le Machine Learning Lifecycle et positionner le MLOps par rapport au DevOps
- Appliquer le framework CALMS et les principes de craftsmanship au Machine Learning
- Cadrer un projet ML end-to-end : ML Canvas, value proposition, identification des risques
MODULES :
- Machine Learning Lifecycle et positionnement du MLOps par rapport au DevOps
- Framework CALMS et principes de craftsmanship appliqués au ML
- ML Canvas, value proposition et identification des risques
Du notebook à la production
Industrialiser le code ML avec les bonnes pratiques de développement et déployer les modèles en production.
Objectifs :
- Appliquer le TDD au ML : tests unitaires, tests de pipeline, versioning et packaging
- Maîtriser les stratégies de déploiement : batch, temps réel, edge
- Comprendre le Feature Store et le serving à l'échelle
MODULES :
- Data versioning (DVC, LakeFS) et experiment tracking (MLflow, W&B)
- CI/CD spécifique ML et pyramide de tests adaptée
- Knowledge repository : capitaliser sur les expériences passées
Vie du modèle en production
Monitorer les modèles déployés et automatiser le ré-entraînement quand les performances se dégradent.
Objectifs :
- Monitorer la data (data drift, concept drift), l'infrastructure et les performances du modèle
- Mettre en place des feedback loops et des critères de ré-entraînement automatique
- Orchestrer des pipelines ML et gérer les artefacts (Model Registry, versioning)
MODULES :
- Monitoring : data drift, concept drift, performances du modèle et infrastructure
- Feedback loops et critères de ré-entraînement automatique
- Orchestration de pipelines ML et gestion des artefacts (Model Registry, versioning)
Automatisation du cycle de vie
Versionner les données, tracker les expériences et automatiser le cycle de vie complet via CI/CD.
Objectifs :
- Implémenter le data versioning (DVC, LakeFS) et l'experiment tracking (MLflow, W&B)
- Construire une CI/CD spécifique ML avec la pyramide de tests adaptée
- Capitaliser sur les expériences passées via un knowledge repository
MODULES :
- Data versioning (DVC, LakeFS) et experiment tracking (MLflow, W&B)
- CI/CD spécifique ML et pyramide de tests adaptée
- Knowledge repository : capitaliser sur les expériences passées
Les petits + de la formation
Des ateliers ludiques et participatifs
Nous avons créé les Fresques de la data et de l’IA générative pour rendre l’apprentissage de concepts ludique et accessibles au plus grand nombre.
Des formats gamifiés et innovants
Nous avons imaginés des jeux pour apprendre les bonnes pratiques de prompting et appréhender différents types d’IA génératives.
Toutes nos formations sont finançable par votre OPCO
Ces formations pourraient aussi vous intéresser
ces offres pourraient aussi vous intéresser
Ces contenus pourraient
aussi vous intéresser
Article
Tech & Data
5 min
🌶️
Débutants
Comment leboncoin forme ses Product & Engineering Managers aux enjeux Data & IA.
28.01.2026
Article
Tech & Data
15 min
🌶️
🌶️
Confirmés
Surveiller les accès à vos données AWS avec CloudTrail, EventBridge, Lambda et Firehose.
24.06.2025
Article
Tech & Data
10 min
🌶️
🌶️
Experts
Combiner AWS SageMaker et Lambda pour des prédictions ML en temps réel, sans gérer de serveurs.
12.05.2025
Vidéo
Tech & Data
Quels sont les challenges d'un Lead AI dans une scale-up qui veut faire de l'IA son cheval de bataille stratégique ?
Quels sont les challenges d'un Lead AI dans une scale-up qui veut faire de l'IA son cheval de bataille stratégique ?
Au cours de cette interview, Remi Takase, Lead AI de Mirakl, nous expliquera son quotidien, ses questionnements et ses challenges passés et à venir.
08.07.2025
Vidéo
Tech & Data
Gaël Varoquaux est le co-fondateur de scikit-learn, le projet open-source le plus utilisé pour faire du Machine Learning en Python. Directeur de recherche à l’Inria, il est aussi membre du récent comité scientifique pour l’Intelligence Artificielle Générative. Il nous accorde une interview exclusive durant laquelle il nous partage ses convictions sur l'avenir de l'IA et sur la place de l'open-source.e
Au programme :
- Sa vision Produit autour de scikit-learn et son avenir - et plus généralement la place de l’open-source dans la tech et l’IA
- Ses travaux de recherche à l’Inria - en particulier les applications du Machine Learning sur des questions de santé et de société
- Ses messages et convictions sur les challenges à venir en IA - messages qu’il porte auprès du comité de l'intelligence artificielle générative
08.07.2025
01.07.2025
Construisons votre parcours de formation
Discutons de vos besoins en formation et créons un programme sur mesure pour vos équipes.