3 jours
Perfectionnement / Avancé
Présentiel Classe à distance
Partager
Accueil › Formations › Intelligence Artificielle › IA pour les fonctions informatiques › MLOps et industrialisation › AWS - MLOps Engineering
Public concerné
Ingénieurs MLOps souhaitant mettre en production et surveiller les modèles ML dans le Cloud AWS et/ou les ingénieurs DevOps chargés de déployer et de maintenir avec succès les modèles ML en production.
Prérequis
Avoir suivi la formation AWS-FND "Amazon Web Services - Notions techniques de base". Avoir suivi les formations "DevOps Engineering on AWS" et "Practical Data Science with Amazon SageMaker" ou avoir les connaissances équivalentes.
Objectifs de formation
A l'issue de cette formation, vous serez capable de :
- Expliquer les avantages des MLOps
- Comparer et opposer DevOps et MLOps
- Evaluer les exigences en matière de sécurité et de gouvernance pour un cas d'utilisation ML et décrire les solutions possibles et les stratégies d'atténuation
- Mettre en place des environnements d'expérimentation pour les MLOps avec Amazon SageMaker
- Expliquer les meilleures pratiques pour le versionnement et le maintien de l'intégrité des actifs du modèle ML (données, modèle et code)
- Décrire trois options pour créer un pipeline CI/CD complet dans un contexte ML
- Rappeler les meilleures pratiques pour la mise en oeuvre d'un conditionnement, d'un test et d'un déploiement automatisés (données/modèle/code)
- Surveiller les solutions basées ML
- Automatiser une solution ML qui teste, package et déploie un modèle de manière automatisée, détecte la dégradation des performances et réapprend au modèle à partir des données nouvellement acquises.
Les + de la formation
Le support de cours et les labs sont en anglais.
Programme
Jour 1
Introduction à MLOps
- Processus
- Personnel
- Technologie
- Sécurité et gouvernance
- Modèle de maturité MLOps
MLOps initial - Environnements d'expérimentation dans SageMaker Studio
- Amener MLOps à l'expérimentation
- Configuration de l'environnement d'expérimentation ML
Exemples de travaux pratiques (à titre indicatif)
- Création et mise à jour d'une configuration de cycle de vie pour SageMaker Studio
- Mise en service d'un environnement SageMaker Studio avec le catalogue de services AWS
MLOps répétables - Référentiels
- Gestion des données pour MLOps
- Contrôle de version des modèles ML
- Référentiels de code dans ML
MLOps répétables - Orchestration
- Pipelines ML
Exemple de travaux pratiques (à titre indicatif)
- Utilisation de SageMaker Pipelines pour orchestrer les pipelines de création de modèles
Jour 2
MLOps répétables - Orchestration - Suite
- Orchestration de bout en bout avec AWS Step Functions
- Orchestration de bout en bout avec SageMaker Projects
- Utilisation d'outils tiers pour la répétabilité
- Gouvernance et sécurité
Exemples de travaux pratiques (à titre indicatif)
- Automatisation d'un flux de travail avec Step Functions
- Standardisation d'un pipeline ML de bout en bout avec SageMaker Projects
- Exploration de la participation humaine pendant l'inférence
- Exploration des meilleures pratiques de sécurité pour SageMaker
MLOps fiables - Scaling et Tests
- Stratégies de Scaling and multi-comptes
- Tests et déplacements de trafic
Exemples de travaux pratiques (à titre indicatif)
- Utilisation de SageMaker Inference Recommender
- Test de variantes du modèle
Jour 3
MLOps fiables - Scaling et Tests - Suite
Exemples de travaux pratiques (à titre indicatif)
- Déplacement du trafic
MLOps fiables - Surveillance
- L'importance de la surveillance dans ML
- Considérations opérationnelles pour la surveillance des modèles
- Remédier aux problèmes identifiés par la surveillance des solutions ML
Exemples de travaux pratiques (à titre indicatif)
- Surveillance d'un modèle pour détecter la dérive des données
- Création et dépannage d'un pipeline ML
Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.
Modalités, méthodes et moyens pédagogiques
Formation délivrée en présentiel ou distanciel* (blended-learning, e-learning, classe virtuelle, présentiel à distance).
Le formateur alterne entre méthode** démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation).
Variables suivant les formations, les moyens pédagogiques mis en oeuvre sont :
- Ordinateurs Mac ou PC (sauf pour certains cours de l'offre Management), connexion internet fibre, tableau blanc ou paperboard, vidéoprojecteur ou écran tactile interactif (pour le distanciel)
- Environnements de formation installés sur les postes de travail ou en ligne
- Supports de cours et exercices
En cas de formation intra sur site externe à M2I, le client s'assure et s'engage également à avoir toutes les ressources matérielles pédagogiques nécessaires (équipements informatiques...) au bon déroulement de l'action de formation visée conformément aux prérequis indiqués dans le programme de formation communiqué.
* nous consulter pour la faisabilité en distanciel
** ratio variable selon le cours suivi
Modalités d’évaluation des acquis
- Tout au long de la formation, à travers les travaux pratiques réalisés sur les labs à l'issue de chaque module, QCM, mises en situation...
Accessibilité de la formation
Le groupe M2I s'engage pour faciliter l'accessibilité de ses formations. Toutes nos formations sont accessibles aux personnes en situation de handicap : les détails de l'accueil des personnes sont consultables sur la page Politique Handicap
Modalités et délais d’accès à la formation
Les formations M2I sont disponibles selon les modalités proposées sur la page programme. Les inscriptions sont possibles jusqu'à 48 heures ouvrées avant le début de la formation. Dans le cas d'une formation financée par le CPF, ce délai est porté à 12 jours ouvrés.
