SYSTÈMES - RÉSEAUX 
CLOUD - VIRTUALISATION 
DEVOPS 
CYBERSÉCURITÉ 
SERVEURS APPLICATIFS 
DATA - IA 
DÉVELOPPEMENT D'APPLICATIONS 
MANAGEMENT DU SI 
BUREAUTIQUE ET OUTILS COLLABORATIFS 
WEB – GRAPHISME / PAO – DAO / CAO 
Dans les projets de Machine Learning, la phase de développement n’est qu’une partie du défi. L’industrialisation, la reproductibilité et le suivi des modèles sont devenus essentiels pour garantir des déploiements fiables et évolutifs
Cette formation permet aux participants de découvrir les principes du MLOps et de mettre en œuvre des pipelines ML automatisés à l’aide de Kubeflow Pipelines et MLflow
Les apprenants apprennent à orchestrer les différentes étapes du cycle de vie d’un modèle, à suivre les expérimentations, à gérer les versions de modèles et à automatiser les traitements dans des environnements basés sur Kubernetes. Grâce à une approche mêlant concepts, démonstrations et travaux pratiques, ils développent les compétences nécessaires pour construire des workflows ML robustes, supervisables et facilement reproductibles
Cette formation s’adresse aux professionnels souhaitant structurer et industrialiser leurs projets de Data Science dans une logique de performance opérationnelle et de montée en production.
Inclus dans votre formation en inter-entreprise
Programme détaillé
Introduction à l’automatisation des workflows ML (3h30)
- Pourquoi automatiser ? Cycle de vie du ML, limitations des notebooks.
- Présentation de l’architecture d’un pipeline typique.
- Travaux pratiques : Décomposition d’un cas d’usage ML en étapes formalisées.
Création de pipelines avec MLflow (10h30)
- Composants de MLflow (Tracking, Projects, Registry).
- Entraînement et enregistrement de modèles avec MLflow.
- Travaux pratiques : Mise en œuvre complète avec code versionné et modèle traçable.
Orchestration de workflows ML avec Kubeflow Pipelines (10h30)
- Kubeflow Pipelines, composants, DAG, conteneurisation.
- Exemple de pipeline ML simple orchestré avec KFP.
- Travaux pratiques : Déploiement d’un pipeline de préprocessing, entraînement et validation dans KFP.
Intégration des outils MLOps (MLflow + Kubeflow) (7h00)
- Architecture cible, passerelles entre les outils, bonnes pratiques.
- Pipeline Kubeflow avec suivi automatique dans MLflow.
- Travaux pratiques : Construction d’un projet ML complet avec orchestration et registre de modèles.
Monitoring, réexécution, reproductibilité (3h30)
- Logs, artefacts, déclencheurs, gestion des erreurs, reproductibilité.
- Monitoring et réexécution d’un job échoué avec des déclencheurs.
- Travaux pratiques : Ajout de gestion d’erreurs et suivi des métriques dans un pipeline ML complet.
