A l’issue de cette formation, vous serez capable de :

• Concevoir et tester un modèle de ML (Machine Learning) sur AWS
• Concevoir et tester un pipeline MLOps robuste
• Déployer et automatiser votre pipeline MLOps de production et le passer à l'échelle
• 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 ?
• 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
• Amazon SageMaker
• Amazon AI Services et AutoML

Exemple de travaux pratiques (à titre indicatif)

• Mise en pratique : création d'un pipeline MLOps simple

Mise en place de l'infrastructure et des outils

• Ingestion, exploration, et préparation des données dans AWS
• Apprentissage et optimisation du modèle avec SageMaker
• Déploiement de modèles avec SageMaker et AWS Lamba Functions
• Streaming Analytics et Machine Learning sur AWS
• AWS Infrastructure et hardware construit sur-mesure
• Réduire les coûts avec les Tags, Budgets et Alertes

Jour 2

Machine Learning automatisé

• Machine Learning automatisé avec SageMaker Autopilot
• Suivre les expérimentations avec SageMaker Autopilot
• Entraîner et déployer un classificateur de texte avec SageMaker Autopilot
• Machine Learning automatisé avec Amazon Comprehend

Ingérer des données dans le Cloud

• Requêter Amazon S3 Data Lake avec Amazon Athena
• Ingérer des nouvelles données en continu avec AWS Glue Crawler
• Construire un Lakehouse avec Amazon Redshift Spectrum
• Choisir entre Amazon Athena et Amazon Redshift
• Réduire les coûts et augmenter la performance

Jour 3

Explorer le jeu de données

• Outils pour explorer les données dans AWS
• Visualiser le Data Lake avec SageMaker Studio
• Requêter le Data Warehouse
• Créer des tableaux de bord avec Amazon QuickSight
• Détecter des problèmes de qualité avec SageMaker et Apache Spark
• Détection du biais dans notre jeu de données
• Détecter différents types de drift avec SageMaker Clarity
• Analyser les données avec AWS Glue DataBrew
• Réduire les coûts et augmenter la performance

Préparer le jeu de données pour l'apprentissage

• Réaliser la sélection de variables et l'ingénierie des attributs
• Passer la sélection de variable à l'échelle avec SageMaker Processing Jobs
• Partager les attributs avec d'autres utilisateurs avec SageMaker Feature Store
• Ingérer et transformer des données avec SageMaker Data Wrangler
• Suivre le "lineage" des artéfacts et expérimentations avec SageMaker
• Ingérer et transformer des données avec Glue DataBrew

Entraîner un premier modèle

• Comprendre l'infrastructure de SageMaker
• Déployer un modèle BERT pré-entraîné avec SageMaker JumpStart
• Développer un modèle SageMaker
• Architecture de BERT
• Entraîner BERT en partant de rien
• Affiner un modèle BERT pré-entraîné
• Créer le script d'apprentissage
• Lancer le script d'apprentissage à partir de SageMaker Notebook
• Evaluer les modèles
• Déboguer et profiler l'apprentissage avec SageMaker Debugger
• Interpréter et expliquer les prédictions des modèles
• Réduire les coûts et améliorer la performance

Jour 4

Entériner et optimiser des modèles à l'échelle

• Trouver automatiquement les meilleurs hyperparamètres
• Utiliser Warm Start pour des jobs supplémentaires d'optimisation des hyperparamètres
• Passer à l'échelle avec SageMaker Distributed Training
• Réduire les coûts et augmenter la performance

Déployer des modèles en production

• Choisir entre des prédictions batch et temps réel
• Prédictions en temps réel avec SageMaker Endpoints
• Passer automatiquement à l'échelle Endpoints avec CloudWatch
• Stratégies pour le déploiement de modèles nouveaux ou mis à jour
• Tester et comparer des nouveaux modèles
• Monitorer la performance et le drift
• Monitorer la qualité du modèle et des données
• Réaliser des prédictions batch avec SageMaker Batch Transform
• AWS Lambda Functions et Amazon API Gateway
• Optimiser et gérer des modèles sur le bord (edge)
• Déployer des modèles PyTorch avec TorchServe
• Inférence TensorFlow-BERT avec AWS Deep Java Library
• Réduire les coûts et augmenter les performances

Jour 5

Pipelines et MLOps

• Pipelines logiciels
• Pipelines de ML
• Orchestration de pipelines avec SageMaker Pipelines
• Automatisation avec SageMaker Pipelines
• Workflows avec "humain dans la boucle" (human-in-the-loop)
• Réduire les coûts et augmenter la performance

Analytiques en streaming et Machine Learning

• Apprentissage Online vs Offline
• Applications de streaming
• Requêtes fenêtres sur des données en streaming
• Classification avec Amazon Kinesis, AWS Lambda et Amazon SageMaker
• Implémenter l'ingestion de données en streaming avec Amazon Kinesis Data Firehose
• Analytiques en temps réel avec Streaming Analytics
• Mettre en place Amazon Kinesis Data Analytics
• Classification avec Apache Kafka, AWS Lambda et Amazon SageMaker

Meilleures pratiques de sécurité sur AWS

• Modèle de responsabilité partagée entre AWS et le client
• Appliquer AWS IAM
• Isoler les environnements de calcul et de réseau
• Sécuriser l'accès aux données Amazon S3
• Chiffrement au repos
• Chiffrement en transit
• Sécuriser les instances SageMaker Notebook
• Sécuriser SageMaker Studio
• Sécuriser SageMaker Jobs and Models
• Sécuriser Lake Formation
• Sécuriser Database Credentials avec AWS Secrets Manager
• Bonnes pratiques de gouvernance et d'auditabilité