MLOps & Machine Learning End-To-End

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