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

• Concevoir et tester un modèle de ML (Machine Learning) sur Microsoft Azure
• 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

Exemple de travaux pratiques (à titre indicatif)

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

Jour 2

Mise en place de l'infrastructure et des outils

• Prise en main d'Azure Machine Learning
• Prise en main d'Azure DevOps
• Installation d'Apache MLflow
• Installation de JupyterHub
• Les 10 principes de gestion du code pour le ML
• Prétraitement des données (qualité, attributs, corrélations, filtrage)
• Enregistrement et versioning des données dans le Feature Store

Jour 3

Pipelines de ML

• Fondamentaux des pipelines de ML
• Ingestion des données et réduction de dimension
• Apprentissage (SVM, forêts aléatoires) et optimisation des hyperparamètres
• Métriques d'évaluation de modèles
• Evaluation des modèles
• Tests de production :
• Tests batch
• A/B testing
• Stage test vs shadow test
• Tests en CI-CD
• Packaging du modèle : enregistrement et production des artéfacts
• Paquetage vs conteneurisation
• Génération du micro-service et déploiement
• Modèles prêts pour l'inférence : importation et chargement des artéfacts

Déployer des modèles de ML à l'échelle

• Principes clés du déploiement de systèmes de ML
• Comprendre les types d'inférence de ML en production
• Mapper l'infrastructure à la solution de ML
• Déploiement du modèle avec ACI (Azure Container Instance)
• Déploiement du modèle avec AKS (Azure Kubernetes Service)
• Déploiement du service avec MLflow
• Comprendre le besoin de CI-CD

Jour 4

Construire des pipelines de ML robustes

• CI et CD dans MLOps
• Créer le pipeline de CI-CD et l'environnement de test avec Azure DevOps
• Exécution et test du pipeline
• "Triggers" de pipeline
• Comprendre les API micro-services
• Implémentation et serving d'un modèle comme API
• Créer un micro-service avec Docker
• Tester l'API
• Sécuriser son déploiement face à diverses attaques
• Mettre en place l'infrastructure de production avec AML workspace et SDK (Software Development Kit)
• Mettre en place l'environnement de production dans le pipeline CI-CD
• Tester le pipeline de production
• Configurer les "triggers" pour l'automatisation (Git trigger, Artifactory trigger, Schedule trigger)
• Gestion de la release du pipeline

Jour 5

Monitoring de modèle de ML en production

• Principes clés de la surveillance du modèle : Model Drift, Model Bias, Explainable AI...
• Monitoring dans le workflow MLOps
• Activer le monitoring continu du service
• Activer le réapprentissage manuel ou automatique du modèle
• Gouvernance : alertes, actions, assurance qualité, contrôle