Formation Certification AWS Machine Learning Engineer Associate

Programme de formation AWS Certified Machine Learning Engineer – Associate (MLA-C02)

[Jour 1 – Matin]

Préparer les données pour le Machine Learning et l’IA

• Identifier et collecter les données nécessaires aux workloads ML et IA générative
• Choisir les services AWS adaptés au stockage, à l’ingestion et au traitement des données
• Nettoyer, transformer et préparer les datasets pour l’entraînement et l’inférence
• Mettre en œuvre le feature engineering et préparer les données pour les modèles de fondation
• Contrôler la qualité, les biais, la traçabilité et le versioning des données
• Atelier pratique : concevoir une stratégie de préparation des données pour un workload ML et GenAI sur AWS.

[Jour 1 – Après-midi]

Construire des workflows de données ML et IA sur AWS

• Utiliser les services AWS pour construire des pipelines de préparation et de transformation des données
• Comprendre le rôle d’Amazon SageMaker AI dans le cycle de vie des données et modèles
• Préparer les données nécessaires aux cas d’usage de RAG et de recherche sémantique
• Comprendre les embeddings, la vectorisation et les bases de données vectorielles
• Automatiser et rendre reproductibles les traitements de données ML et IA
• Atelier pratique : construire un workflow de données destiné à alimenter un modèle ML et une application RAG.

Choisir les services et architectures ML et IA

• Identifier les services AWS adaptés aux différents cas d’usage de Machine Learning et d’IA générative
• Choisir entre modèles personnalisés, modèles préentraînés et foundation models
• Comprendre le positionnement d’Amazon SageMaker AI et d’Amazon Bedrock
• Sélectionner les services de stockage, calcul, données et orchestration nécessaires au workflow
• Arbitrer entre performances, scalabilité, complexité et coûts
• Atelier pratique : sélectionner une architecture AWS adaptée à plusieurs scénarios ML, GenAI et agentiques.

[Jour 2 – Matin]

Développer et évaluer les modèles ML et Foundation Models

• Entraîner et optimiser des modèles avec Amazon SageMaker AI
• Sélectionner les algorithmes, hyperparamètres et métriques adaptés au problème
• Évaluer les performances, le biais, l’overfitting et la capacité de généralisation des modèles
• Utiliser et évaluer les foundation models avec Amazon Bedrock
• Comprendre les stratégies d’adaptation, de prompt engineering et de personnalisation des modèles
• Atelier pratique : comparer un modèle ML et un foundation model selon leurs métriques, performances et contraintes métier.

[Jour 2 – Après-midi]

Construire des solutions RAG et des agents IA

• Comprendre l’architecture d’une solution Retrieval-Augmented Generation (RAG)
• Connecter les foundation models aux données d’entreprise et aux sources de connaissances
• Mettre en œuvre les mécanismes de recherche, retrieval et grounding
• Comprendre le fonctionnement des agents IA avec Amazon Bedrock
• Orchestrer les outils, actions et sources de données utilisés par les agents
• Atelier pratique : concevoir une application RAG et définir l’orchestration d’un agent capable d’interagir avec des services AWS.

Déployer et automatiser les workflows ML et IA

• Choisir les stratégies de déploiement pour les modèles ML et foundation models
• Mettre en œuvre l’inférence temps réel, asynchrone et batch selon les cas d’usage
• Automatiser les workflows avec les mécanismes de MLOps et les services AWS
• Gérer le versioning, les déploiements progressifs et les stratégies de rollback
• Concevoir des architectures scalables, disponibles et résilientes
• Atelier pratique : concevoir le déploiement automatisé d’un workflow ML/IA et sa stratégie de mise à jour.

[Jour 3 – Matin]

Sécuriser et gouverner les solutions ML et IA

• Configurer les identités, rôles et permissions avec AWS IAM
• Protéger les données, modèles, endpoints et foundation models
• Appliquer les principes de chiffrement, isolation réseau et gestion des secrets
• Comprendre les enjeux de Responsible AI, de biais, d’explicabilité et de sécurité des modèles
• Mettre en œuvre les mécanismes de gouvernance adaptés aux workloads ML et GenAI
• Atelier pratique : analyser les risques d’une architecture ML/GenAI et définir les contrôles de sécurité et de gouvernance adaptés.

[Jour 3 – Après-midi]

Superviser et optimiser les opérations ML et IA

• Surveiller les modèles, endpoints et workflows avec les services d’observabilité AWS
• Détecter les dérives de données, de modèles et les anomalies en production
• Collecter et analyser les logs, métriques et alertes des solutions ML et IA
• Diagnostiquer les problèmes de performance, de disponibilité et de qualité des réponses
• Optimiser les ressources, l’inférence et les coûts des workloads ML et GenAI
• Atelier pratique : diagnostiquer un workload ML/IA en production et proposer des actions d’optimisation.

Préparation à la certification MLA-C02

• Revoir les quatre domaines officiels de l’examen MLA-C02
• Consolider les compétences en préparation des données pour le ML et l’IA
• Réviser le développement et le déploiement des modèles ML et foundation models
• Revoir les architectures RAG, agents, MLOps, sécurité et monitoring
• Identifier les points faibles et appliquer une stratégie de gestion du temps adaptée
• Atelier pratique : passage de l’examen blanc MLA-C02 et correction.