Formation MLOPS : Machine Learning de pointe

PROGRAMME DE NOTRE FORMATION MLOPS

[Jour 1 – Matin]

INTRODUCTION AU MLOPS ET AU CYCLE DE VIE ML

• Panorama du MLOps : pourquoi il devient nécessaire dès qu’un modèle doit sortir du notebook
• Du prototype à la production : pourquoi les systèmes ML deviennent plus complexes
• Notion de dette technique cachée dans les projets ML
• Vue d’ensemble du cycle de vie ML : données, entraînement, déploiement, monitoring, itérations
• Rôles et responsabilités dans une chaîne MLOps : data scientist, ML engineer, data engineer, ops/platform
• Atelier pratique : cartographie des points de rupture d’un projet ML entre expérimentation et mise en production

[Jour 1 – Après-midi]

REPRODUCTIBILITÉ, GIT, ENVIRONNEMENTS ET DVC

• Pourquoi la reproductibilité est une exigence centrale en MLOps
• Rappels essentiels sur Git pour le workflow du bootcamp
• Rappel minimal sur les environnements Python et l’isolation des dépendances
• Pourquoi utiliser DVC dans un projet ML
• Structurer un projet ML reproductible
• Fondamentaux DVC : versioning de données, remote, fichiers suivis, workflow local
• Lab pratique : prise en main de DVC sur un cas concret de travail ML
• Lab pratique : création d’un socle de projet ML reproductible avec Git, venv et DVC
• Lab pratique : reproduction et mise à jour d’un workflow à partir d’assets suivis

[Jour 2 – Matin]

EXPERIMENT TRACKING ET MODEL MANAGEMENT AVEC MLFLOW

• Rappel ML orienté MLOps : paramètres, métriques, artefacts, candidats au déploiement
• Qu’est-ce qu’une expérience ML ?
• Différence entre experiment tracking et model versioning
• Qu’est-ce qu’un model registry ?
• Fondamentaux MLflow
• Comment choisir un candidat au déploiement
• Lab pratique : suivi d’expériences avec MLflow
• Lab pratique : enregistrement d’un modèle sélectionné dans un registry

[Jour 2 – Après-midi]

MODEL SERVING, OPENAPI ET FASTAPI

• Le serving dans une chaîne MLOps
• Fondamentaux API et HTTP appliqués au serving ML
• OpenAPI et contrat d’API
• Fondamentaux FastAPI
• Conception d’endpoints de prédiction et de santé
• Lab pratique : construire une API de prédiction avec FastAPI
• Lab pratique : explorer et valider la spécification OpenAPI générée

[Jour 3 – Matin]

DOCKER ET CONTAINERISATION DES SERVICES ML

• Pourquoi les conteneurs sont devenus indispensables pour les services ML
• Bases Docker : image, conteneur, build, run
• Conception d’un Dockerfile propre pour un service ML
• Bases Docker Compose
• Problèmes fréquents de conteneurisation
• Lab pratique : containeriser le service de prédiction FastAPI
• Lab pratique : exécuter le service avec Docker Compose

[Jour 3 – Après-midi]

KUBERNETES ET DÉPLOIEMENT D’UN SERVICE ML

• Pourquoi Kubernetes pour les services ML
• Objets fondamentaux : Pod, Deployment, Service
• Bases YAML pour le déploiement
• Concepts de déploiement
• Notions de scaling et de rollout
• Lab pratique : déployer le service FastAPI sur Kubernetes
• Lab pratique : scaler le déploiement et valider son fonctionnement

[Jour 4 – Matin]

MONITORING, OBSERVABILITÉ, DRIFT, PROMETHEUS, GRAFANA ET EVIDENTLY

• Différence entre monitoring et observabilité
• Métriques système utiles pour un service ML
• Drift et dégradation : pourquoi un modèle peut devenir moins pertinent après déploiement
• Introduction à Evidently
• Bases Prometheus
• Bases Grafana
• Lab pratique : inspection de drift avec Evidently
• Lab pratique : observabilité d’un service de prédiction avec logs, métriques et traces

[Jour 4 – Après-midi]

ORCHESTRATION, CI/CD, KUBEFLOW PIPELINES ET CAPSTONE

• Workflow orchestration : pourquoi et quand l’introduire
• Concepts CI/CD appliqués aux projets ML
• Vue d’ensemble de Kubeflow Pipelines
• Boucles de feedback et triggers de retraining
• Récapitulatif de l’architecture end-to-end
• Lab pratique : démonstration guidée d’un pipeline Kubeflow
• Lab pratique : mini capstone — assemblage d’un petit système MLOps end-to-end
• Restitution finale / présentation des travaux