MLOps: Déploiement de Machine Learning en Production
Formation créée le 18/07/2023. Dernière mise à jour le 01/09/2023.
Version du programme : 1
Programme de la formation
Objectif de formation: Les participants apprendront les meilleures pratiques, les outils et les techniques pour gérer le cycle de vie complet des modèles de Machine Learning, de leur développement à leur déploiement et leur maintenance dans des environnements de production.
Objectifs de la formation
- Comprendre les principes et les concepts clés du MLOps pour le déploiement de Machine Learning en production
- Maîtriser les étapes du cycle de vie des modèles de Machine Learning, de la préparation des données à la maintenance en production
- Utiliser des outils et des techniques pour le déploiement efficace des modèles de Machine Learning
- Gérer la performance, la sécurité, l'éthique et la conformité des modèles déployés
- Acquérir une vision globale de l'approche MLOps et de ses implications pratiques
Profil des bénéficiaires
Pour qui
- data scientists
- ingénieurs en Machine Learning
- développeurs
- responsables de projets en IA
- architectes de données
- toute personne impliquée dans le déploiement de modèles de Machine Learning en production
Prérequis
- Une connaissance de base des concepts de Machine Learning et de la programmation est recommandée
Contenu de la formation
-
Introduction au MLOps (3 heures)
- Les principes clés du MLOps et son importance dans le déploiement de Machine Learning en production
- Les défis et les considérations spécifiques liés à la mise en production des modèles de Machine Learning
- Les concepts de gestion du cycle de vie des modèles et l'approche DevOps pour le Machine Learning
-
Préparation des Données et Entraînement des Modèles (5 heures)
- Les bonnes pratiques pour la préparation et la gestion des données d'entraînement
- Les techniques de validation croisée et d'évaluation des modèles
- L'utilisation d'outils et de frameworks pour l'entraînement efficace des modèles
- Travaux pratiques : Préparation des données et entraînement de modèles de Machine Learning
-
Déploiement des Modèles de Machine Learning (6 heures)
- Les différents types de déploiement des modèles (ex. : déploiement en tant que service, déploiement sur le cloud, déploiement sur des appareils embarqués)
- Les techniques de conteneurisation des modèles pour une portabilité et une scalabilité optimales
- La gestion des versions, la surveillance et les tests des modèles déployés
- Travaux pratiques : Déploiement de modèles de Machine Learning en utilisant des outils et des plateformes
-
Gestion et Maintenance des Modèles Déployés (4 heures)
- Les stratégies de gestion des versions et de mise à jour des modèles en production
- La surveillance de la performance des modèles et la détection des dégradations
- La rétroaction des utilisateurs et l'amélioration continue des modèles déployés
- Travaux pratiques : Gestion et maintenance des modèles déployés en production
-
Sécurité, Éthique et Conformité dans le MLOps (3 heures)
- Les considérations de sécurité liées aux modèles de Machine Learning en production
- Les défis éthiques et les bonnes pratiques pour l'utilisation responsable des modèles
- La conformité aux réglementations en matière de protection des données et de confidentialité
- Travaux pratiques : Évaluation des aspects de sécurité, d'éthique et de conformité dans le déploiement de modèles
Équipe pédagogique
Professionnel expert technique et pédagogique.
Suivi de l'exécution et évaluation des résultats
- Feuilles de présence
- Mises en situation
- Formulaires d'évaluation de la formation
- Certificat de réalisation de l’action de formation
- Émargement numérique
Ressources techniques et pédagogiques
- Documents supports de formation projetés
- Exposés théoriques
- Etude de cas concrets
- Mise à disposition en ligne de documents supports à la suite de la formation
- Espace intranet de formation
Qualité et satisfaction
Taux de satisfaction des stagiaires
Progression des compétences visées
Taux d'abandon
Taux de retour des enquêtes
Taux d'interruption en cours de prestation