MLOps & mise en production

Objectifs

• Versionner données, code et modèles et retrouver n’importe quelle version d’un modèle avec ses paramètres et ses métriques.
• Empaqueter un modèle dans une API conteneurisée, la tester et la documenter.
• Automatiser l’entraînement, les tests et le déploiement dans un pipeline d’intégration continue déclenché par un changement de code ou de données.
• Déployer le modèle sur une plateforme managée (SageMaker, Azure ML ou Google AI Platform, selon la contrainte de l’organisation) ou sur un cluster Kubernetes.
• Mettre en place un suivi de dérive des données et des performances, avec seuils d’alerte et procédure de réentraînement écrite.

Public

Ingénieurs data et machine learning, ingénieurs logiciels et DevOps en charge de modèles, équipes IT amenées à reprendre un modèle en production.

Prérequis

Avoir suivi DATA-201 ou disposer d’un modèle entraîné en Python, et pratiquer Git. Des notions de Docker sont utiles, non requises. Vérifié par un test de positionnement. Un ordinateur portable par participant, 8 Go de mémoire minimum, avec Python 3, Docker, Git et un éditeur de code installés avant le premier jour ; comptes cloud de formation, crédits et dépôt Git de formation fournis par Yolea ; en distanciel, connexion stable de 10 Mbit/s minimum, micro et caméra. Modèle de formation fourni ; modèle du participant accepté s’il est prêt à déployer.

Programme

• Gestion de versions de modèles
• Exposition d’un modèle en API
• Intégration et déploiement continus
• Déploiement cloud ou Kubernetes
• Supervision et maintenance d’un modèle en production

Format

Intra ou inter-entreprises. 21 heures, 3 jours consécutifs de 7 h, ou 2 + 1 jours à une semaine d’intervalle avec coaching intermodule. Présentiel recommandé, hybride possible ; intra-entreprise sur votre plateforme ou inter-entreprises ; 8 à 12 participants. 25 % d’apports, 75 % de construction encadrée ; un modèle fil rouge suivi du dépôt Git jusqu’au tableau de supervision. Outils utilisés : MLflow pour le suivi, FastAPI et Docker pour le service, GitHub Actions pour le pipeline, Kubernetes ou votre plateforme managée pour le déploiement.

Évaluation

En amont, test de positionnement. En cours, quiz de contrôle et revue de pipeline. En fin, challenge de mise en situation (déployer de bout en bout un modèle imposé ; évalué sur grille : versionnage, tests, déploiement, supervision), évaluation à chaud et attestation nominative de fin de formation. À trois semaines, point de suivi.