Kubeflow : déployer des modèles de Machine Learning

A l’issue de cette formation, les participants sont en mesure d’utiliser Kubeflow pour déployer un projet Data Science en production.

Objectifs pédagogiques

Configurer un environnement Kubeflow

Connaître les options de déploiement

Construire et déployer un modèle de Machine Learning sur Kubeflow

Créer et exécuter un pipeline ML avec Kubeflow Pipelines

A qui s’adresse cette formation ?

Public

Prérequis

Des connaissances en Machine Learning et sur le langage Python.

Programme de formation

Introduction et retour sur les projets Data Science

Présentation générale de cette formation Kubeflow
Les projets IA et Data Science : généralités, parties prenantes, mise en production…
Le cycle de vie du Machine Learning : entraînement, test, tuning…
Déploiement et pratiques MLOps
Les conteneurs, Docker et Kubernetes
Pourquoi utiliser Kubeflow ?

Vue d’ensemble et installation de Kubeflow

Fonctionnalités, composants et architecture
Options de déploiements
Contraintes de sécurité et prérequis infra
Installation et configuration
Prise en main de l’interface utilisateur
Le gestionnaire de notebooks Jupyter

Construction d’un modèle de Machine Learning

Le processus de développement d’un modèle
Les composants Kubeflow pour l’entraînement d’un modèle
Notebooks et images, exemples de mise en œuvre
Metadata
Entraînement distribué
Tuning avec Katib

Serving avec Kubeflow

Présentation de KServe
Prétraitement des données
Mise en production d’un modèle
Monitoring

Kubeflow Pipelines

Qu’est-ce qu’un pipeline ?
Workflow pour le déploiement d’un modèle ML avec Kubeflow Pipelines SDK
Ajouter des étapes d’entraînement et de serving

Conclusion de la formation Kubeflow

Et après ? Comment ancrer les acquis pédagogiques de la formation
Questions/réponses selon les besoins des stagiaires

En apprendre davantage sur Kubeflow

Kubeflow est un outil visant à déployer des flux d’apprentissage automatique (machine learning) sur Kubernetes, de manière simple, fluide et efficace.