MLOps : panorama et mise en place
Prochaine session
12 avril 2023
- Connaitre et comprendre les principes du MLOps
- Identifier ses outils
- Préparer sa mise en place dans son organisation
Pas de compétence technique approfondie de programmation ou de data science nécessaire
Responsables de pôle analytique, d’équipes data, chef de projet data, data scientists et data engineers
Enjeux et besoins des projets data auquel répond la mise en place de processus de MLOps
- 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
Rappel des principes DevOps et leur traduction pour les projets de data science
Revue détaillée des étapes d’un processus type de MLOps
- Objectifs de chaque étape
- Impacts techniques
- Gouvernance
Panorama des solutions de MLOps
- 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, pour des modèles de
Mise en place de processus MLOps
- Revue d’une démarche type
- Etude de cas en atelier (informations collectées préalablement auprès des participants)
Moyens pédagogiques
- Exposé théorique de concepts
- Etude de cas concrets
- Échanges sur les pratiques et expériences des participants
- Temps de questions / réponses
Méthodes pédagogiques