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.

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