MLOps : principes, mise en œuvre et pratique

 
  3 jours       2110       Avancé    
  Prochaine session
12, 13, 14 avril 2023
Objectifs de la formation
  • Connaitre et comprendre les principes du MLOps
  • Identifier ses outils
  • Préparer sa mise en place dans son organisation
  • Le mettre en œuvre sur un cas pratique

Prérequis

Pratique de Python dans le cadre de la data science (formation Python pour la data science), connaissance des bases de données


Public visé

Data scientists et data engineers confirmés


Contenu

Panorama & compréhension détaillée

  • 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)

Pratique et mise en œuvre dans un environnement dédié et créé dans le cloud par nos soins

  • Elaboration d’un modèle en phase de recherche avec optimisation (pratique de la gestion des expériences)
  • Préparation d’un environnement d’industrialisation
  • Déploiement d’un modèle
  • Suivi de la performance du modèle : simulation d’une baisse de performance / d’un drift des données en entrée
  • Itération de mise en production d’une nouvelle version

Cette mise en pratique se fera avec des outils choisis conjointement lors de la préparation de la formation (ex. : Python + mlflow)

Approche pédagogique

  Moyens pédagogiques

  • Exposé théorique de concepts
  • Expérimentation
  • Applications pratiques sur ordinateur
  • Etude de cas concrets
  • Échanges sur les pratiques et expériences des participants
  • Suivi pédagogique individualisé
  • Temps de questions / réponses
  • Construction de projet