Formation Kubeflow

Programme de notre formation Kubeflow

Introduction à Kubeflow et MLOps

• Rappel sur Kubernetes : Les concepts clés pour comprendre Kubeflow.
• Cycle de vie du ML et MLOps : Principes et bonnes pratiques.
• Pourquoi Kubeflow ? Son rôle et sa valeur dans l’écosystème MLOps.
• Architecture de Kubeflow : Présentation de l’architecture moderne de
• Kubeflow : ses composants principaux et leurs interactions.
• Installation et prise en main : Démonstration de l’installation et première navigation dans l’interface de Kubeflow.

Kubeflow Pipelines (KFP) avec le SDK

• Introduction aux pipelines : Les principes fondamentaux de l’orchestration de workflows ML.
• Construire avec le SDK KFP : Création de composants et de pipelines directement en Python.
• Pipelines réutilisables : Comment transformer des pipelines en composants pour des workflows plus complexes.

Entraînement de Modèles avec Kubeflow Trainer

• Kubeflow Trainer : L’approche standard pour l’entraînement sur Kubeflow. Entraînement distribué et Fine Tuning.
• Le SDK Python de Trainer : Définir et lancer des jobs d’entraînement distribué de manière programmatique, sans YAML.
• Intégration aux pipelines : Ajouter une étape d’entraînement robuste et scalable à un pipeline KFP.

Gestion et Registre de Modèles (Model Registry)

• Introduction au Model Registry : La nécessité de cataloguer et versionner les modèles.
• Le Registre de Modèles de Kubeflow : Gérer de manière centralisée les modèles, leurs versions et les artefacts associés.
• Cycle de vie du modèle : Suivre un modèle de l’expérimentation à la production via le registre.
• Intégration : Lier les sorties de pipelines au registre et déployer des modèles depuis celui-ci.

Recherche d’Hyper-paramètres avec Katib

• Présentation des types de recherches d’hyperparamètres.
• Présentation de Katib : Utiliser Katib pour automatiser et optimiser la recherche d’hyper-paramètres.
• Intégration aux pipelines : Ajouter une étape de tuning automatique pour améliorer les performances des modèles.

Serving avec KServe

• KServe : Le standard pour le serving sur Kubeflow.
• Serving de modèles variés : Déploiement de modèles classiques et de
• LLMs (Large Language Models) avec les runtimes pour Hugging Face et vLLM.
• Fonctionnalités avancées : Inference Graphs, Canary Deployments, et auto-scaling
• L’écosystème du Serving : Comparaison entre KServe, Seldon Core et BentoML pour choisir le bon outil en fonction du cas d’usage.