MLOps, Déploiement de Machine Learning en Production

Information sur la formation

Référence interne de la formation : IBS_MLOPS_MACHINE_LEARNING

Présentation :
Maîtrisez l’art du MLOps avec cette formation qui vous guide dans la transformation de modèles de Machine Learning en solutions robustes et opérationnelles.
De l’optimisation à la surveillance en production, découvrez les pratiques et outils essentiels pour automatiser et sécuriser le cycle de vie ML.
Enrichie d’ateliers pratiques et d’un projet final basé sur un cas réel d’entreprise, cette formation vous prépare à déployer des modèles performants en environnement professionnel.

Objectifs :
Comprendre les principes et enjeux du MLOps
Gérer efficacement le cycle de vie des modèles ML
Déployer des modèles avec Docker et Kubernetes
Automatiser les pipelines avec MLflow et CI/CD
Surveiller, sécuriser et optimiser en production

Programme :
1 - Introduction au MLOps
Définition et rôle du MLOps dans les projets ML
Problématiques courantes en production (drift, scalabilité)
Cycle de vie des modèles : entraînement à maintenance
Aperçu des plateformes de déploiement (cloud, on-premise)
Travaux pratiques : test d’un pipeline MLOps simple
2 - Optimisation des modèles
Réduction de dimensionnalité avec PCA pour l’efficacité
Compression des modèles : pruning et quantification
Explicabilité des prédictions avec SHAP
Techniques d’optimisation (ex. Winograd) pour la performance
Travaux pratiques : compression d’un modèle TensorFlow
3 - Conteneurisation avec Docker
Fondamentaux de Docker : images, conteneurs, registres
Création d’une API avec FastAPI pour les modèles
Conteneurisation d’un modèle ML avec ses dépendances
Gestion des versions et des environnements isolés
Travaux pratiques : déploiement d’une API Docker en local
4 - Orchestration avec Kubernetes
Bases de Kubernetes : pods, services, déploiements
Utilisation de Kubeflow pour les workflows ML
Scalabilité horizontale avec gestion des réplicas
Surveillance des ressources en environnement clusterisé
Travaux pratiques : déploiement d’un modèle sur Kubernetes
5 - Automatisation avec MLflow et CI/CD
Versioning des modèles et suivi avec MLflow
Gestion des expérimentations : paramètres et métriques
Construction d’un pipeline CI/CD pour l’entraînement
Bonnes pratiques pour des déploiements automatisés
Travaux pratiques : automatisation d’un entraînement avec MLflow
6 - Gestion des données en production
Préparation des flux de données pour la production
Gestion du data drift et des mises à jour en temps réel
Stockage efficace : bases vectorielles, data lakes
Validation des données avant inférence
Travaux pratiques : simulation d’un pipeline de données en production
7 - Sécurité et conformité dans MLOps
Sécurisation des modèles : protection contre les attaques
Gestion des accès et conformité RGPD en production
Chiffrement des données et des API déployées
Audit et traçabilité des pipelines ML
Travaux pratiques : sécurisation d’une API avec chiffrement
8 - Projet : Déploiement pour services financiers
Conteneurisation d’un modèle de scoring financier
Déploiement sur Kubernetes avec scalabilité
Automatisation via MLflow et pipeline CI/CD
Surveillance des performances et gestion des mises à jour
Présentation des résultats et optimisation continue
Réalisation et validation du projet

Clients visés :

Data scientists
Ingénieurs ML
DevOps
Professionnels du déploiement IA

Mots-clés en rapport avec la formation :

MLOps
Déploiement ML
CI/CD
MLflow
Docker
Kubernetes
Kubeflow
Data drift
PCA
SHAP
FastAPI
Chiffrement
Sécurité API
Monitoring modèles
Modèles en production
Pipeline ML
Cloud ML
Conteneurisation
Optimisation modèles
Projet MLOps entreprise