Formation Amazon SageMaker AI : ML Engineering et MLOps

Programme de notre formation Amazon SageMaker AI : ML Engineering et MLOps

[Jour 1 – Matin]

Construire un workflow Machine Learning avec Amazon SageMaker AI

• Comprendre le positionnement d’Amazon SageMaker AI dans l’écosystème AWS et le distinguer de la nouvelle plateforme Amazon SageMaker
• Identifier les différentes étapes du cycle de vie d’un modèle : préparation, entraînement, évaluation, déploiement et monitoring
• Prendre en main SageMaker Studio, les notebooks et les principaux composants de l’environnement de développement
• Configurer les ressources, rôles IAM, accès aux données et environnements nécessaires aux workloads ML
• Utiliser le SageMaker Python SDK pour piloter les principales opérations de Machine Learning
• Atelier pratique : configurer un environnement SageMaker AI et construire un premier workflow Machine Learning à partir de données stockées sur AWS.

[Jour 1 – Après-midi]

Entraîner, expérimenter et évaluer les modèles

• Préparer les datasets et organiser les données nécessaires aux phases d’entraînement et d’évaluation
• Configurer et exécuter des training jobs avec les ressources de calcul adaptées aux workloads
• Utiliser les frameworks et conteneurs disponibles dans SageMaker AI pour entraîner ses propres modèles
• Optimiser les hyperparamètres et comparer les performances de plusieurs entraînements
• Suivre les expériences, paramètres, métriques et artefacts avec Amazon SageMaker avec MLflow
• Atelier pratique : entraîner plusieurs versions d’un modèle, comparer leurs métriques et sélectionner le meilleur candidat pour la production.

[Jour 2 – Matin]

Industrialiser les workflows avec SageMaker Pipelines

• Comprendre les principes du MLOps et les enjeux de reproductibilité des workflows Machine Learning
• Construire un pipeline avec SageMaker Pipelines pour automatiser préparation, entraînement et évaluation
• Définir les étapes, paramètres, dépendances et conditions nécessaires à l’orchestration du workflow
• Automatiser les contrôles de qualité avant l’enregistrement et le déploiement d’un modèle
• Intégrer les workflows ML aux pratiques de CI/CD et de versioning utilisées par les équipes
• Atelier pratique : construire et exécuter un pipeline reproductible automatisant la préparation, l’entraînement et la validation d’un modèle.

[Jour 2 – Après-midi]

Versionner et déployer les modèles en production

• Gérer le cycle de vie et les différentes versions des modèles avec SageMaker Model Registry
• Organiser les processus de validation, approbation et promotion des modèles entre environnements
• Déployer des modèles sur des endpoints d’inférence temps réel et choisir les ressources adaptées
• Mettre en œuvre l’inférence asynchrone ou par lots selon les contraintes applicatives
• Comprendre les stratégies de mise à jour, rollback et déploiement progressif des modèles en production
• Atelier pratique : enregistrer, approuver et déployer une nouvelle version d’un modèle puis valider son endpoint d’inférence.

[Jour 3 – Matin]

Monitorer les modèles et détecter les dérives

• Comprendre les enjeux de monitoring des modèles ML après leur mise en production
• Surveiller la qualité des données et des prédictions avec SageMaker Model Monitor
• Identifier les phénomènes de data drift et model drift susceptibles de dégrader les performances
• Exploiter les métriques, logs et alertes AWS pour superviser les endpoints et workloads Machine Learning
• Utiliser SageMaker Clarify pour analyser les biais et renforcer l’explicabilité des modèles
• Atelier pratique : détecter une dérive sur un modèle en production, analyser son impact et définir les actions correctives nécessaires.

[Jour 3 – Après-midi]

Automatiser et sécuriser le cycle de vie MLOps

• Automatiser le réentraînement et le redéploiement des modèles lorsque les critères de performance ne sont plus respectés
• Combiner Pipelines, Model Registry, monitoring et CI/CD pour construire un cycle de vie ML industrialisé
• Sécuriser les données, modèles, endpoints et accès avec IAM, chiffrement et isolation réseau
• Optimiser les ressources de calcul et maîtriser les coûts liés à l’entraînement et à l’inférence
• Comprendre le positionnement de SageMaker AI pour les foundation models et identifier les cas où Amazon Bedrock est plus adapté
• Atelier pratique : construire un workflow MLOps de bout en bout intégrant entraînement, validation, registry, déploiement, monitoring et réentraînement automatisé.