Formation MLOps : déployer vos modèles ML en production

Découvrez notre formation MLOps, conçue pour les professionnels de l’IT. Avec un accent sur l’application pratique, cette formation permettra aux participants de s’approprier les meilleures pratiques MLOps, des techniques de compression au déploiement en production. Ils apprendront à évaluer, tester et déployer efficacement des modèles ML, tout en maîtrisant les outils et pratiques essentiels. Rejoignez-nous pour transformer vos compétences en MLOps et rester à la pointe de l’industrie IT !

Objectifs pédagogiques

Définir les concepts clés de MLOps

Maîtriser l’ingénierie en Machine Learning

Appliquer des techniques de compression des modèles

Analyser et corriger les erreurs des modèles

Déployer et mettre à l’échelle des modèles ML

A qui s’adresse cette formation ?

Public

Prérequis

Une bonne compréhension du machine learning, des compétences en programmation Python, ainsi qu une familiarité avec les concepts de base en DevOps et conteneurisation.

Programme de formation

Introduction à la formation MLOps

Définition et objectifs de MLOps
Les défis du développement et de l’exploitation des modèles de machine learning
L’importance de MLOps dans l’industrie
Le cycle de vie DevOps pour les modèles de machine learning

Ingénierie en Machine Learning

Création de pipelines reproductibles
Utilisation d’un registre de modèles
Utilité des métadonnées et les moyens de les gérer facilement
Concept de CI/CD adapté au Machine Learning

Techniques de compression

Enjeux de la compression : déploiement sur terminal léger et gains d’efficience
Utilisation de LoRA pour apprendre des modèles de langue affinés
Quantization & pruning pour réduire la taille des modèles

Analyse d’erreur

L’analyse par tranches de données
Explicabilité des modèles avec LIME & SHAP
Mesurer et contrer la dérive des données et des concepts en production

Déploiement et passage à l’échelle

La création d’API avec Python Flask
La déploiement avec Flask, TensorFlow Lite, TensorFlow Serving
Dockerisation d’une API
Présentation du déploiement avec Kubernetes & KubeFlow
Schémas de déploiement
Notions d’architecture big data