MLOps : mise en production d'un projet de Data Science

Objectifs

S'approprier les pratiques MLOps pour industrialiser son projet de Machine Learning
Savoir découper un projet de Machine Learning en différentes briques et les organiser
Construire l'architecture applicative d'un projet Data Science
Déployer son application de Machine Learning en production et interagir avec
Maintenir un flux continu de données pour alimenter son application de Machine Learning
Mesurer et évaluer les performances de son application de Machine Learning

Programme de la formation

L'industrialisation du code du projet de Data Science n'est qu'une étape parmi d'autres pour réaliser la mise en production du système et le faire évoluer.
En effet, une fois ce premier pas franchi, il s'agira alors de mettre en place un mécanisme d'orchestration, mais aussi d'être capable de déployer régulièrement, et de suivre le comportement du système sur la durée.
Jour 1 :
Clarification de l'approche MLOPS
Introduction à la CI / CD
Pyramide de tests
Cloud & infrastructure AS CODE
Orchestration
Jour 2 :
Artefacts
Déploiement
Exposition

Jour 3 :
Mise en pratique : “passer d'un modèle one-shot à un modèle qui prédit toutes les minutes”
A partir d'un flux de données disponibles, mettre en place les outils nécessaires pour faire une prédiction par minute
Feeback LOOPS
Monitoring
Amélioration continue
Bilan et clôture
Aujourd'hui encore, trop de modèles de Machine Learning ne sont pas déployés en production et demeurent dans les data labs. Une solution à ce problème consiste à réunir les équipes de data science et d'informatique autour du concept de MLOps.
Tout au long de cette formation, vous profiterez de la riche expérience de nos consultants-formateurs pour mettre en oeuvre les pratiques de la Data Science en production.
Vous vous approprierez les outils et le processus transversal, collaboratif et itératif MLOps pour réduire le délai de votre mise sur le marché tout en améliorant continuellement la valeur ajoutée pour vos utilisateurs. Le MLOps prend notamment en charge l'intégration continue, ainsi que le déploiement rapide et reproductible des modèles.

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique