Téléchargez le parcours au format PDF
5 jours
Perfectionnement / Avancé
Présentiel Classe à distance
Partager
Accueil › Formations › Informatique › Data › Big Data - MLOps et DataOps › Python et MLflow - Concevoir, déployer et surveiller un pipeline MLOps
Public concerné
Data Scientists, Data Analysts, ingénieurs Data, ingénieurs DevOps et MLOps, développeurs, architectes Data, chefs de projets, managers.
Validez les prérequis
Afin de vérifier que vous disposez bien des prérequis nécessaires à cette formation, nous vous invitons à réaliser ce test.
Temps estimé : 4 minutes.
Passer le testObjectifs de formation
A l'issue de cette formation, vous serez capable de :
- Concevoir et tester un modèle de ML (Machine Learning) avec MLflow
- Concevoir et tester un pipeline MLOps robuste avec MLflow
- Déployer votre modèle en production
- Surveiller votre modèle de production et corriger les écarts.
Programme de votre formation
-
#
M2I START AVANT VOTRE FORMATION
Contextualisation du projet de formation et prise en compte des besoins de chacun
- Positionnement initial de l’apprenant par rapport aux objectifs
- Définition des priorités et des objectifs personnels de l’apprenant
- Vidéos de mise en situation
- Accès au Chat interactif myM2i pour interagir avec les membres de son groupe
-
#
M2I LIVE VOTRE FORMATION ANIMÉE PAR NOTRE EXPERT ¹
Programme
Jour 1
Fondamentaux
- Qu'est-ce qu'une donnée ?
- Cycle de vie d'une donnée
- Cycle de vie de la Data Science
- Evolution des analytiques
- Apports des analytiques et du Cloud
- Qu'est-ce qu'une organisation Data Driven ?
- Business Intelligence vs Business Analytics
- Du Data Warehouse au Data Lake et au Lakehouse
- Gouvernance et qualité des données
- Lean, Agilité et DevOps, MLOps appliqués aux données
- Conteneurisation et architectures micro-services
- Apports de MLOps
- Workflow de MLOps
- DevOps vs DataOps vs MLOps
- Machine Learning et opérations : briser le mur de la confusion
- Constituer et former une équipe MLOps
- Plateformes et outils de MLOps
- Qu'est-ce que MLflow ?
Exemples de travaux pratiques (à titre indicatif)
- Développer et déployer un premier modèle avec MLflow
Démarrer avec MLflow
- MLflow Projects
- MLflow Tracking
- MLflow Models
- MLflow Model Registry
Exemple de travaux pratiques (à titre indicatif)
- Création d'un premier pipeline avec MLflow
Jour 2
Développement de modèles et expérimentations
- Définir l'expérimentation : explorer le jeu de données
- Ajouter des expérimentations : étapes pour concevoir un classificateur logistique
- Comparer différents modèles
- Affiner le modèle en optimisant les hyperparamètres
- Gérer les signatures et schémas des modèles
- Ajouter le meilleur modèle au Model Registry
- Gérer le cycle de vie de développement du modèle
Exemple de travaux pratiques (à titre indicatif)
- Amélioration du pipeline précédent en optimisant les hyperparamètres et en retenant le meilleur modèle pour le déploiement
Le Machine Learning en production
- Comprendre les challenges des systèmes et projets de ML
- Plateformes de ML : Michelangelo, Kubeflow
- Spécifier l'architecture d'une plateforme de ML
- Architecture des systèmes de haut niveau
- MLflow et les autres outils de l'écosystème
Exemple de travaux pratiques (à titre indicatif)
- Etude de cas de dimensionnement d'une infrastructure de ML comprenant un serveur MLflow
Jour 3
Préparer les données et entraîner le modèle
- Structurer le pipeline de données du projet
- Standardiser le code et l'environnement avec MLflow Projects
- Développer des pipelines reproductibles et testables avec les Recipes
- Sourcer les données
- Vérifier la qualité des données
- Générer l'ensemble des attributs et des données d'apprentissage
- Exécuter le pipeline de bout-à-bout
- Utiliser les feature stores
- Implémenter le job d'apprentissage
- Evaluer le modèle
- Déployer le modèle dans le Model Registry
- Créer une image Docker pour le job d'apprentissage
- Déployer l'image Docker
Exemple de travaux pratiques (à titre indicatif)
- Implémentation de MLflow Projects pour standardiser le code et l'environnement
Jour 4
Déploiement et inférence avec MLflow
- Créer un Model Registry local
- Créer un job batch d'inférence
- Utiliser l'API pour l'inférence
- Déployer les modèles pour du scoring batch dans Kubernetes
- Rappels sur les environnements Cloud et présentation de AWS Sagemaker
Exemple de travaux pratiques (à titre indicatif)
- Réaliser un déploiement sur le Cloud avec AWS SageMaker
Mettre à niveau le workflow de ML
- Intégrer MLflow avec TensorFlow et PyTorch
- Intégrer MLflow avec Spark
- Intégrer MLflow avec NVIDIA RAPIDS (GPU)
- Suivre la performance des modèles en production
- Monitoring du Data Drift, du Model Drift et du Target Drift
- Monitoring et alertes de l'infrastructure
Exemple de travaux pratiques (à titre indicatif)
- Développer un pipeline avec déploiement sur AWS SageMaker
Jour 5
Cas d'usage avancés de MLflow
- Introduction au Deep Learning efficace
- Optimiser l'empreinte des modèles (CPU, RAM, stockage) avec MLflow et Optuna
- Serving de plusieurs modèles via un seul point de terminaison avec MLflow et PyFunc
- Détection du Data Drift et du Feature Drift avec MLflow et Evidently
- IA responsable : suivre l'interprétabilité et l'explicabilité des modèles avec MLflow, SHAP, LIME et InterpretML
Exemple de travaux pratiques (à titre indicatif)
- Mise en pratique avec MLflow, Optuna, PyFunc, Evidently et InterpretML
Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.
-
#
M2I BOOST APRÈS VOTRE FORMATION
Réactivation et consolidation des acquis en situation de travail
- 30 jours d’accompagnement personnalisé sur myM2i inclus ²
- Ressources Boosters (Abonnement au M2i’Mag Soft Skills, formations offertes, invitations aux conférences d’actualité…)
- ¹ Les actions et les outils présentés dans ce programme le sont à titre indicatif et peuvent faire l’objet d'adaptation selon les niveaux, prérequis et besoins des apprenants. Les compétences clés de ce programme sont traitées à raison d'une compétence par demi-journée de formation.
- ² Sur myM2i, pendant 30 jours post-fin de formation, les apprenants disposent d’une messagerie sécurisée pour échanger, dans la limite de 4 sollicitations, avec leur formateur.
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
- En cours de formation, par des études de cas ou des travaux pratiques
- Et, en fin de formation, par un questionnaire d'auto-évaluation
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.
