MLOps & Machine Learning End-To-End

2 jours

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

s'inscrire

payer en ligne

*finançable par l'OPCO En savoir plus

MLOps

Data Drift

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.