COURS & FORMATION
Effective MLOps
Industrialisez les modèles de machine learning avec des workflows reproductibles, des pipelines de déploiement, des tests, une supervision et des pratiques d’IA responsable.
En ligne
CHF 1'250
Formation en direct avec un formateur, publique ou privée.
Sur site
CHF 2'500
Sur site en session publique ou privée.
Formation privée
Sur demande
Formation privée adaptée à votre équipe d'ingénierie.
À qui s’adresse cette formation ?
Data Scientists
Faites passer les modèles des notebooks à des workflows de livraison reproductibles, versionnés et testables.
ML Engineers
Construisez des modèles de déploiement, de monitoring et de validation pour les systèmes de machine learning en production.
DevOps Engineers intéressés par le ML en production
Adaptez le CI/CD, les conteneurs et les pratiques opérationnelles au cycle de vie ML.
Ce que vous apprendrez
Construire des pipelines ML reproductibles
Mettez en place des workflows ML suivis et versionnés avec des expériences et des pipelines de données reproductibles.
Déployer des systèmes ML de bout en bout
Transformez les notebooks en code de production, packagez les services et déployez des applications ML avec CI/CD.
Tester et superviser le ML en production
Appliquez des tests unitaires et d'intégration, des contrôles de validation et le monitoring des dérives de données et de modèles.
Comprendre la gouvernance et l'IA responsable
Intégrez explicabilité, biais et gouvernance opérationnelle dans le cycle de livraison ML.
Exploiter une pipeline MLOps complète
Réunissez versionnement, CI/CD, conteneurs, déploiement, tests, monitoring et suivi des expériences dans un seul workflow.
PRÉREQUIS
Ce que les participants doivent connaître
Les participants doivent maîtriser Python, idéalement avec au moins un an d'expérience, comprendre les bases des algorithmes et du développement de modèles, et connaître Git et la ligne de commande. Docker et le cloud sont des atouts.
PRÉPARATION
Avant le début du cours
Préparez-vous à une étude de cas pratique couvrant le suivi d'expériences, le déploiement, les tests et le monitoring d'une pipeline ML complète.
PROGRAMME
Programme de Effective MLOps
Le cours est disponible en ligne, sur site et en formation privée. Les sessions publiques sont maintenues à partir d'un nombre minimal de participants. Le contenu peut être adapté aux plateformes ML internes et aux exigences de gouvernance.
Fondamentaux du MLOps et gestion des expériences
Jour 1
Périmètre du MLOps, exploration des données et expériences suivies avec modèles versionnés.
Fondamentaux du MLOps et gestion des expériences
Jour 1
Périmètre du MLOps, exploration des données et expériences suivies avec modèles versionnés.
Théorie
- Définition et périmètre du MLOps
- Comparaison avec DevOps
- Cycle de vie ML
- Valeur métier et défis
- Niveaux de maturité MLOps
Pratique
- Configurer Git, Docker et Python
- Explorer le cas de détection de fraude et ses données
- Traiter valeurs manquantes, valeurs aberrantes et déséquilibre des classes
- Appliquer le feature engineering
- Entraîner, versionner et suivre les expériences avec DVC et MLflow
Modularisation, déploiement et pipelines CI/CD
Jour 2
Transformer les notebooks en systèmes déployables et construire une pipeline complète de livraison ML.
Modularisation, déploiement et pipelines CI/CD
Jour 2
Transformer les notebooks en systèmes déployables et construire une pipeline complète de livraison ML.
Théorie
- Principes d'un code ML propre
- Conversion des notebooks en scripts modulaires
- Packaging du code ML en composants réutilisables
- Applications web avec FastAPI et Streamlit
- Conteneurisation et déploiement cloud
Pratique
- Refactorer les notebooks en modules Python de production
- Créer une API REST avec FastAPI et une interface Streamlit
- Conteneuriser backend et frontend
- Déployer localement avec Docker Compose
- Parcourir le déploiement AWS ECS, ECR et GitHub Actions
Tests, monitoring et IA responsable
Jour 3
Validation, monitoring en production et gouvernance des systèmes ML.
Tests, monitoring et IA responsable
Jour 3
Validation, monitoring en production et gouvernance des systèmes ML.
Théorie
- Tests unitaires des composants ML
- Tests d'intégration des pipelines
- Validation des données et modèles avec Deepchecks
- Dérive des modèles et des données
- IA responsable, détection des biais et explicabilité
Pratique
- Écrire et organiser les tests d'un système ML
- Valider le comportement des données et du modèle
- Construire et revoir une pipeline MLOps complète
- Intégrer DVC, MLflow, FastAPI, Streamlit, Docker et GitHub Actions
- Présenter et évaluer la solution finale
TECHNOLOGIES
Technologies utilisées dans Effective MLOps
Ces outils sont utilisés dans la version publique. Pour une formation privée, nous adaptons l’environnement et le déroulement à votre équipe.
Effective MLOps pour votre équipe ?
Organisez la formation en ligne ou sur site, adaptée à votre stack et à vos objectifs.
FORMATEURS
Karim Baklouti
Formateur principal MLOps
Ingénieur MLOps chez Swiss Digital Network. Il montre comment passer des expériences à des déploiements reproductibles en combinant versionnement, CI/CD, monitoring et livraison ML.
Rouaa Ben Ayed
Formatrice principale AI for DevOps
Prochaines sessions
Questions fréquentes
Réponses aux questions sur Effective MLOps.
À qui s'adresse Effective MLOps ?
Aux ML Engineers, équipes data science et équipes plateforme qui veulent industrialiser leurs systèmes ML avec de meilleures pratiques de livraison, de test et de monitoring.
Le cours couvre-t-il tout le cycle de vie ML ?
Oui. Il couvre le suivi d'expériences, le versionnement, la modularisation, le déploiement, le CI/CD, les tests, le monitoring et l'IA responsable.
Effective MLOps peut-il être organisé pour une équipe ?
Oui. Le cours peut être adapté à vos plateformes ML, à la gouvernance, aux outils et à l'infrastructure cloud.