Formation Certification GCP Professional ML Engineer

Programme de formation certification GCP Professional Machine Learning Engineer

[Jour 1 – Matin]

Fondamentaux du ML, de l’IA générative et environnement Google Cloud

• Revoir les principes du Machine Learning : régression, classification, clustering, généralisation et surapprentissage
• Distinguer ML prédictif, IA générative, grands modèles de langage et modèles multimodaux
• Positionner les six domaines de la certification Professional Machine Learning Engineer
• Découvrir Gemini Enterprise Agent Platform et les services auparavant présentés sous Vertex AI
• Choisir entre BigQuery ML, AutoML, entraînement personnalisé, API d’IA et modèles de fondation selon le besoin métier
• Atelier pratique : Prise en main de l’environnement et choix d’une architecture pour un cas d’usage

[Jour 1 – Après-midi]

Préparation, exploration et gouvernance des données

• Organiser les données structurées et non structurées dans BigQuery et Cloud Storage
• Réaliser une analyse exploratoire (EDA) : distributions, anomalies, valeurs manquantes et biais
• Choisir les outils de préparation selon le volume : SQL, Python, Dataflow ou Apache Spark
• Construire les variables et comprendre le rôle d’un Feature Store
• Prévenir les fuites de données, séparer entraînement, validation et test, et protéger les données sensibles
• Atelier pratique : Préparation d’un dataset et contrôle de sa qualité

Solutions ML avec BigQuery ML et AutoML

• Sélectionner un modèle selon l’objectif métier et les contraintes d’interprétabilité
• Construire, évaluer et utiliser un modèle avec BigQuery ML
• Comprendre les cas d’usage et le fonctionnement d’AutoML
• Interpréter les métriques de classification, régression et prévision
• Atelier pratique : Création d’un modèle BigQuery ML et analyse des prédictions

[Jour 2 – Matin]

IA générative : Gemini, Model Garden et conception des prompts

• Explorer Model Garden et comparer les modèles Google, partenaires et open source
• Choisir un modèle selon la tâche, les modalités, la qualité, le coût et la latence
• Utiliser Gemini pour la génération, la synthèse et l’analyse de contenus multimodaux
• Construire des prompts avec instructions, exemples, contexte et format de réponse attendu
• Identifier les limites : hallucinations, variabilité des réponses et contraintes de contexte
• Atelier pratique : Comparaison de prompts et de réponses Gemini sur un jeu de cas métier

Grounding et génération augmentée par la recherche — RAG

• Comprendre le grounding et le fonctionnement d’un pipeline RAG
• Préparer un corpus documentaire : nettoyage, découpage, métadonnées et embeddings
• Comprendre la recherche vectorielle et la sélection des passages pertinents
• Comparer une recherche managée avec Agent Search et une architecture utilisant Vector Search
• Construire le contexte fourni à Gemini et vérifier l’appui des réponses sur les sources
• Atelier pratique : Réalisation d’un assistant documentaire RAG avec Gemini

[Jour 2 – Après-midi]

Entraînement, optimisation et adaptation des modèles

• Organiser un entraînement personnalisé et optimiser les hyperparamètres
• Choisir les ressources CPU, GPU ou TPU et comprendre l’entraînement distribué
• Suivre les expériences, comparer les résultats et diagnostiquer les échecs d’entraînement
• Choisir entre prompt engineering, RAG et fine-tuning
• Préparer les données d’adaptation d’un modèle de fondation et comprendre les options de tuning de Gemini, notamment via BigQuery
• Atelier pratique : Analyse d’expériences et choix argumenté d’une stratégie d’optimisation

Évaluation des solutions prédictives et génératives

• Construire un jeu d’évaluation représentatif du besoin métier
• Évaluer les réponses génératives : pertinence, exactitude, respect des instructions et sécurité
• Combiner métriques automatiques, revue humaine et LLM-as-a-judge, en tenant compte de leurs limites
• Évaluer séparément la recherche documentaire et la génération d’un système RAG
• Atelier pratique : Comparaison de deux configurations de l’assistant RAG et analyse des erreurs

[Jour 3 – Matin]

Déploiement et passage à l’échelle

• Choisir entre inférence batch et temps réel
• Distinguer l’appel d’un modèle managé, le déploiement d’un modèle et l’hébergement de l’application
• Comparer les services managés, Cloud Run et GKE selon les contraintes
• Gérer les versions dans Model Registry et comprendre les déploiements progressifs
• Dimensionner les ressources et optimiser débit, disponibilité, latence et coût
• Atelier pratique : Déploiement d’un modèle préparé et test de son service de prédiction

MLOps et industrialisation des pipelines

• Construire un pipeline avec Agent Platform Pipelines / Vertex AI Pipelines
• Automatiser la validation des données, l’entraînement, l’évaluation et le déploiement
• Versionner datasets, modèles, prompts et configurations RAG
• Assurer la cohérence des transformations entre entraînement et inférence
• Définir les critères de promotion et les politiques de réentraînement dans une démarche CI/CD/CT
• Atelier pratique : Compléter un pipeline fourni avec une étape de validation avant déploiement

[Jour 3 – Après-midi]

Monitoring, sécurité et IA responsable

• Surveiller les performances et détecter les dérives de données et de concepts avec Model Monitoring
• Identifier les écarts entre données d’entraînement et données servies en production
• Suivre la qualité des réponses génératives, les erreurs, la latence et les coûts
• Protéger les accès avec IAM et prévenir les fuites de données sensibles
• Comprendre les injections de prompts, les filtres de sécurité et le rôle de Model Armor
• Prendre en compte les biais, l’explicabilité et la validation humaine
• Atelier pratique : Diagnostic d’incidents ML et génératifs, puis définition des alertes et corrections

Préparation à la certification officielle

• Relier les acquis aux six domaines du référentiel officiel en vigueur
• Résoudre des scénarios d’architecture intégrant ML classique et IA générative
• Justifier les choix de services selon la qualité, la sécurité, le coût et les contraintes opérationnelles
• Identifier les pièges fréquents et organiser les révisions complémentaires
• Atelier pratique : Examen blanc ciblé avec correction argumentée