Formation Gestion du cycle de vie des modèles avec MLflow

Programme de notre Formation Gestion du cycle de vie des modèles avec MLflow

[Jour 1 – Matin]

Fondamentaux et Tracking des Expériences

• Comprendre le cycle de vie du ML : Tracking, Projects, Models et Registry
• Installation et configuration du Tracking Server
• Enregistrement de modèles et utilisation de la journalisation automatique (Autolog)
• Gestion des paramètres, métriques et artefacts
• Évolutivité et cas d’utilisation en entreprise
• Atelier pratique : Mise en place d’un serveur local et premier tracking d’expériences.

[Jour 1 – Après-midi]

Recherche, Comparaison et Modèles Avancés

• Utilisation de l’Interface Utilisateur (UI) pour la comparaison d’exécutions
• Syntaxe de recherche avancée par balises (Tags) et identifiants
• Recherche programmatique via l’API Python
• Gestion des modèles basés sur les Transformers et intégration Spark Connect
• Hébergement de modèles personnalisés
• Atelier pratique : Analyse comparative d’exécutions et extraction des meilleurs hyperparamètres.

[Jour 2 – Matin]

Gouvernance, Registre et Authentification

• Le Model Registry : versioning, annotations et révision de documentation
• Gestion des cycles de vie : passage en Staging et Production
• Sécurité : configuration de l’authentification et gestion des autorisations
• Création d’utilisateurs et permissions personnalisées
• Workflow de validation et de signature de modèles
• Atelier pratique : Cycle complet de validation d’un modèle et sécurisation des accès.

[Jour 2 – Après-midi]

Monitoring Système et IA Générative (LLM)

• Journalisation des métriques système : CPU, RAM et GPU
• Utilisation de MLflow AI Gateway pour les LLM (PaLM 2, AI21 Labs)
• Nouvelles fonctionnalités pour l’évaluation des LLM
• Déploiement et stratégies de monitoring en temps réel
• Interactions avec l’écosystème cloud et on-premise
• Atelier pratique : Déploiement d’un modèle avec suivi des ressources et évaluation LLM.