Formation MLOPS : Machine Learning de pointe

PROGRAMME DE NOTRE FORMATION MLOPS

Introduction au MLOPS

• Définition et objectifs
• Différences entre data pipelines et ML Workflow
• Importance de l’intégration continue
• Importance de l’intégration continue (CI/CD) pour le machine learning
• Défis des déploiements de modèles en production
• Les différents niveaux de MLOPS d’après Microsoft et Google

Python pour la production

• Bonnes pratiques de développement Python
• Optimiser son environnement de travail
• Gestion des environnements et des dépendances
• Création du package Python
• Écrire du code propre, performant, robuste et qualitatif
• Tests unitaires et intégration continue pour les modèles ML
• Comprendre et construire un pipeline CI/CD pour le MLOps

Travaux pratiques

• Exercices de développement en Python : Utilisation de virtualenv et création de packages
• Mise en place de tests unitaires et intégration continue dans un modèle ML

Gestion du cycle de vie des modèles

• Introduction au model registry
• Suivi des performances de modèles en production
• Stratégie de versioning des modèles
• Gestion des métadonnées et documentation
• Présentation d’Amazon S3 pour le model registry

Travaux pratiques

• Utilisation de MLFlow et d’un model registry pour versionner et suivre des modèles

Serving de modèle

• Choix des frameworks de déploiement (TensorFlow Serving, Flask, FastAPI, etc.)
• Configuration et déploiement de services de modèles en production
• Monitoring des modèles déployés

Travaux pratiques

• Déploiement et configuration d’un service de modèle en utilisant un framework spécifique (TensorFlow Serving, Flask, FastAPI, etc.)
• Mise en place d’un système de monitoring pour les modèles déployés

Outils d’orchestration de workflow pour le machine learning

• Présentation des outils existants
• Focus sur Apache Airflow
• Création de workflows pour la gestion des tâches MLOps
• Automatisation des pipelines de déploiement et de réentraînement

Travaux pratiques

• Création et exécution de workflows Airflow pour la gestion des tâches MLOps

Conteneurisation des API

• Introduction à Docker
• Création de conteneurs pour les applications Python
• Docker compose pour la gestion de plusieurs conteneurs
• Utilisation de Docker Desktop

Travaux pratiques

• Création de conteneurs Docker pour les applications Python
• Utilisation de Docker Compose pour gérer plusieurs conteneurs

Déploiement sur un Cluster Kubernetes

• Fondamentaux de Kubernetes
• Création et déploiement de Pods
• Orchestration de conteneurs avec Kubernetes
• Méthodes de déploiement de modèles
• Méthodes de scaling
• Gérer son cluster avec K9s
• Configurateur de services et d’ingress pour les modèles

Travaux pratiques

• Initialisation d’un cluster Kube
• Déployer une application complète sur Kube
• Déploiement de modèles sur un cluster Kubernetes et gérer le scaling
• Configuration de services et d’ingress pour les modèles

Conclusion et retour d’expérience

• Analyse de cas concret de déploiement MLOps
• Discussion sur les meilleures pratiques et les leçons apprises
• Échange autour des expériences des participants