MLOps : panorama et mise en place

Enjeux et besoins des projets data auquel répond la mise en place de processus de MLOps 1h

• Industrialisation de la mise en production (automatisation, agilité)
• Cycle de vie des modèles (du lab à la prod, performance, réentraînement)

Parallèle entre le développement logiciel et le développement de projets data 1h

Rappel des principes DevOps et leur traduction pour les projets de data science 1h

Revue détaillée des étapes d’un processus type de MLOps 1h

• Objectifs de chaque étape
• Impacts techniques
• Gouvernance

Panorama des solutions de MLOps 1h

• En open source (ex. : mlFlow, kubeflow)
• Dans les logiciels propriétaires (ex. : Dataiku DSS, neptune.ai)
• Chez les cloud providers (AWS, Azure, GCP)
• Pour Python, pour R
• Pour des modèles de Machine learning et de Deep learning

Mise en place de processus MLOps 1h

• Revue d’une démarche type
• Etude de cas en atelier (informations collectées préalablement auprès des participants)