MLOps déploiement de Machine Learning en production

Objectifs

Comprendre les principes et enjeux du MLOps

Gérer efficacement le cycle de vie des modèles ML

Déployer des modèles avec Docker et Kubernetes

Automatiser les pipelines avec MLflow et CI/CD

Surveiller, sécuriser et optimiser en production

Programme de la formation

1 - Introduction au MLOps

» Définition et rôle du MLOps dans les projets ML

» Problématiques courantes en production (drift, scalabilité)

» Cycle de vie des modèles : entraînement à maintenance

» Aperçu des plateformes de déploiement (cloud, on-premise)

» Travaux pratiques : Test d'un pipeline MLOps simple

2 - Optimisation des modèles

» Réduction de dimensionnalité avec PCA pour l'efficacité

» Compression des modèles : pruning et quantification

» Explicabilité des prédictions avec SHAP

» Techniques d'optimisation (ex. Winograd) pour la performance

» Travaux pratiques : Compression d'un modèle TensorFlow

3 - Conteneurisation avec Docker

» Fondamentaux de Docker : images, conteneurs, registres

» Création d'une API avec FastAPI pour les modèles

» Conteneurisation d'un modèle ML avec ses dépendances

» Gestion des versions et des environnements isolés

» Travaux pratiques : Déploiement d'une API Docker en local

4 - Orchestration avec Kubernetes

» Bases de Kubernetes : pods, services, déploiements

» Utilisation de Kubeflow pour les workflows ML

» Scalabilité horizontale avec gestion des réplicas

» Surveillance des ressources en environnement clusterisé

» Travaux pratiques : Déploiement d'un modèle sur Kubernetes

5 - Automatisation avec MLflow et CI/CD

» Versioning des modèles et suivi avec MLflow

» Gestion des expérimentations : paramètres et métriques

» Construction d'un pipeline CI/CD pour l'entraînement

» Bonnes pratiques pour des déploiements automatisés

» Travaux pratiques : Automatisation d'un entraînement avec MLflow

6 - Gestion des Données en Production

» Préparation des flux de données pour la production

» Gestion du data drift et des mises à jour en temps réel

» Stockage efficace : bases vectorielles, data lakes

» Validation des données avant inférence

» Travaux pratiques : Simulation d'un pipeline de données en production

7 - Sécurité et Conformité dans MLOps

» Sécurisation des modèles : protection contre les attaques

» Gestion des accès et conformité RGPD en production

» Chiffrement des données et des API déployées

» Audit et traçabilité des pipelines ML

» Travaux pratiques : Sécurisation d'une API avec chiffrement

8 - Projet : Déploiement pour Services Financiers

» Conteneurisation d'un modèle de scoring financier

» Déploiement sur Kubernetes avec scalabilité

» Automatisation via MLflow et pipeline CI/CD

» Surveillance des performances et gestion des mises à jour

» Présentation des résultats et optimisation continue

» Réalisation et validation du projet


 

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique