Opérations d’apprentissage automatique (MLOps)

• Quand les projets de machine learning deviennent sérieux : Défis spécifiques au ML et pourquoi MLOps est crucial pour leur succès.
• Connaissance du domaine et défis : La nécessité de comprendre le domaine d’application du ML pour réussir.
• Le cycle MLOps en un coup d’œil : Aperçu des étapes clés de MLOps.
• MLOps vs. DevOps : Différences essentielles entre MLOps et DevOps.
• Les niveaux de maturité MLOps : Les différentes étapes d’évolution des processus MLOps.

2. Versionnement des données et suivi des expériences

• Bases et avantages du versioning de code et de données : Pourquoi versionner les données et les expériences dans un projet ML.
• Introduction au DVC : Outil de versioning pour les données et suivi des expériences.
• Exercices pratiques :
  • Gestion de versions de données avec DVC.
  • Suivi d’expériences avec DVC.

3. Orchestration du pipeline de données

• Bases et avantages des pipelines de données : Comprendre l’importance de l’orchestration dans les projets ML.
• Introduction à Dagster : Présentation de cet outil pour l’orchestration des pipelines.
• Exercices pratiques :
  • Travaux d’actifs avec Dagster.
  • Tâches opérationnelles avec Dagster.

4. Suivi des expériences

• Paramètres, métriques et artefacts : Les éléments à suivre pour évaluer la performance d’un modèle.
• Bases et avantages du suivi des expériences : Importance du suivi pour la reproductibilité et l’amélioration continue.
• Suivi des expériences avec MLflow : Utilisation de cet outil pour gérer les expériences.
• Exercices pratiques :
  • Suivi des expériences avec MLflow.
  • Gestion des modèles avec MLflow.

5. CI/CD pour l’apprentissage automatique

• Introduction à CI/CD pour ML : Comment adapter CI/CD au développement de modèles de machine learning.
• Différences avec le CI/CD traditionnel : Ce qui peut être testé dans un pipeline ML.
• Variantes de CI/CD pour les produits ML : Types de pipelines adaptés aux projets de ML.
• Démonstration : Utilisation des actions Github et CML pour l’intégration et le déploiement continus.

6. Déploiement et service

• Bases du déploiement du machine learning : Introduction aux principes du déploiement de modèles ML.
• Inférence par lots vs inférence en direct : Différences entre ces deux approches.
• Prétraitement des données pendant le déploiement : Comment gérer les données au moment du déploiement.
• Introduction à ONNX : Format de modèle pour l’interopérabilité entre différents frameworks.
• Exercice pratique : Utilisation de FastAPI et ONNX pour déployer un modèle.

7. Surveillance des modèles ML

• Surveillance des modèles en production : Pourquoi et comment surveiller les performances des modèles après leur déploiement.
• Données, métriques, et KPI : Les indicateurs clés de performance à suivre.
• Démonstration : Surveillance avec l’outil évidemment.ai.

8. MLOps dans le cloud

• Quand les solutions cloud sont-elles recommandées ? Comprendre les avantages des solutions cloud pour MLOps.
• Comparaison des plateformes cloud : Amazon Sagemaker, Azure ML Studio et Google Vertex AI.
• Démonstration : Formation de modèles avec Azure ML Studio.

9. Plateformes d’apprentissage automatique

• Comment faire évoluer les équipes ML ? Gérer l’évolutivité dans les projets ML.
• Les magasins de fonctionnalités : Définition et utilisation pour améliorer les performances des modèles.

10. LLMOps – Spécificités des modèles de langage

• Différences entre MLOps et LLMOps : Spécificités des modèles de langage.
• Démonstration : Utilisation de l’outil entrepriseGPT pour les modèles de langage.

Cet atelier vous fournira une compréhension approfondie de l’ensemble du cycle de vie d’un projet ML, de la gestion des données à la mise en production et la surveillance, tout en utilisant des outils et des techniques adaptés aux environnements modernes de machine learning.