MLOps & Machine Learning End-To-End
Découvrez le MLOps, de la définition à la gestion complète du cycle de vie du Machine Learning. Explorez les points communs et les différences avec le DevOps, tout en adoptant la culture, les pratiques et les outils du MLOps


Sandra Pietrowska
Head of Data Science
Sandra est actuellement Head of Data Science chez Hymaïa.
voir le profil completSandra est actuellement Head of Data Science chez Hymaïa.
voir le profil completInfos clés
Objectifs
- Définir les grands enjeux et piliers du MLOps
- Comprendre les points communs et différences avec le DevOps
- Industrialiser un projet de Machine Learning, du notebook à l’IDE
- Monitorer, maintenir et ré-entraîner automatiquement un modèle de Machine Learning en production
- 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
Public cible
- Data Scientists
- ML Engineers
- Data Engineers
Prérequis
- Être à l’aise en Python.
- Avoir des bases en Data Science
Programme détaillé
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
Vous allez le recevoir par mail dans quelques secondes
Formateur(s)
Ce qu’ils en disent…
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
Contacts
s'inscrire
.png)





.png)





Modalités
Modalités d'évaluation
Un questionnaire d'auto-évaluation est envoyé aux participants avant et après la formation pour mesurer leur progression.
Pendant la formation :
Les acquis sont évalués tout au long de la formation par les formateurs sous forme de Quizz en ligne, questions réponses ou tour de table.
Le participant se verra délivrer une attestation de fin de formation à l’issue de la session
Organisation
- en présentiel :
Cette formation est en groupe de 6 à 12 personne en intra-entreprise ou inter-entreprise en fonction du format souhaité par le commanditaire.
- en ligne :
Un lien vous sera envoyé pour suivre les sessions à distances. Merci d'activer les caméras lors des sessions avec notre formateur.
Modalités d'accès
Les sessions peuvent être programmées jusqu’ à 7 jours avant la date retenue, sous condition d’un formateur disponible et de la réception de la convention signée avant la session pour des groupes de 6 à 12 personnes .