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 
Les projets de Machine Learning ne s’arrêtent pas à l’entraînement d’un modèle. Leur véritable valeur repose sur leur capacité à être déployés, supervisés et maintenus efficacement dans un environnement de production
Cette formation MLOps permet aux professionnels de la data et du développement d’acquérir les méthodes et outils nécessaires pour industrialiser le cycle de vie complet des modèles d’intelligence artificielle
Les participants apprennent à mettre en place des pipelines CI/CD dédiés au Machine Learning, à assurer la traçabilité des données et des expérimentations, à déployer des modèles via des API performantes et à monitorer leur comportement en production
La formation aborde également les mécanismes de détection de dérive des données et les stratégies de réentraînement automatisé. Grâce à une approche fortement orientée pratique, les apprenants développent les compétences indispensables pour fiabiliser, automatiser et faire évoluer des solutions d’IA à grande échelle dans un contexte professionnel.
Inclus dans votre formation en inter-entreprise
Programme détaillé
Introduction à MLOps (3h30)
- Pourquoi MLOps ? Comparaison avec DevOps, principes et cycles de vie.
- Analyse d’un cas de production ratée et d’un succès avec MLOps.
- Travaux pratiques : Mapping du cycle de vie ML sur un projet personnel ou fourni.
Entraînement reproductible et traçabilité (7h00)
- DVC, MLflow, métadonnées, gestion des dépendances.
- Versioning d’un modèle avec MLflow + DVC.
- Travaux pratiques : Entraînement d’un modèle simple avec suivi des expérimentations.
Déploiement de modèles via API (14h00)
- Architecture REST, patterns de déploiement (batch, temps réel, streaming).
- Déploiement d’un modèle de prédiction dans un conteneur.
- Travaux pratiques : Création d’une API REST de prédiction et tests avec des jeux de données.
Automatisation du pipeline avec CI/CD (7h00)
- CI/CD pour ML, étapes et déclencheurs, modèles en tant que code.
- Pipeline automatisé avec GitHub Actions pour un modèle ML.
- Travaux pratiques : Création d’un pipeline d’entraînement et de déploiement automatisé.
Monitoring, dérive et redéploiement (3h30)
- Data Drift, suivi des performances, alerting, boucle de réentraînement.
- Dashboard de suivi des métriques du modèle (F1, précision, latence).
- Travaux pratiques : Mise en place de scripts de détection de dérive et stratégie de redéploiement.
