Cours MLOps

Leçon 1 • Ce que le MLOps résout

Définit l'écart entre le ML expérimental et les systèmes de production. Ancre le chapitre en expliquant pourquoi la discipline opérationnelle est essentielle pour offrir de la valeur avec le ML.

Leçon 2 • Principes fondamentaux du MLOps

Présente la reproductibilité, l'automatisation et la surveillance comme piliers fondamentaux. Relie chaque principe à des résultats mesurables en matière de fiabilité des modèles.

Leçon 3 • Concepts DevOps appliqués au ML

Traduit les pratiques CI/CD, d'infrastructure en tant que code et agiles dans des contextes de ML. Permet aux étudiants de réutiliser leurs connaissances sur les outils DevOps dans les pipelines de ML.

Leçon 4 • Rôles et structures d'équipe

Définit les responsabilités des ingénieurs ML, des scientifiques des données et des ingénieurs de plateforme. Clarifie les frontières de collaboration qui influencent les décisions de conception des pipelines.

Leçon 1 • Magasins de caractéristiques et réutilisation

Explique les magasins de caractéristiques hors ligne et en ligne et leur rôle dans la cohérence. Réduit le décalage entraînement-service en centralisant le calcul des caractéristiques.

Leçon 2 • Traçabilité des données et gouvernance

Couvre le suivi de la traçabilité de bout en bout et le contrôle d'accès pour les ensembles de données ML. Soutient les exigences d'auditabilité et de conformité dans les environnements réglementés.

Leçon 3 • Validation et qualité des données

Présente les techniques de validation statistique et basée sur des schémas appliquées à l'ingestion. Empêche la corruption silencieuse des données de se propager à l'entraînement des modèles.

Leçon 4 • Stratégies de gestion de versions des ensembles de données

Enseigne les instantanés immuables d'ensembles de données, la gestion de versions delta et l'étiquetage des métadonnées. Permet la reproductibilité complète de toute exécution d'entraînement historique.

Leçon 1 • Gestion des hyperparamètres

Enseigne les stratégies de recherche systématique et la gestion de la configuration des hyperparamètres. Relie la discipline du réglage à une convergence plus rapide et à une comparaison équitable des modèles.

Leçon 2 • Audit de reproductibilité

Définit les niveaux de reproductibilité et les méthodes pour vérifier la réexécution des expériences. Prépare les étudiants à diagnostiquer et à corriger le non-déterminisme dans les pipelines d'entraînement.

Leçon 3 • Notions de base du registre de modèles

Présente les registres de modèles centralisés pour stocker et mettre en stage les modèles entraînés. Fournit la couche de gestion des artefacts requise pour un déploiement contrôlé.

Leçon 4 • Fondamentaux du suivi des expériences

Présente la journalisation des paramètres, des métriques et des artefacts pendant les exécutions d'entraînement. Établit l'habitude d'une tenue de registres structurée, essentielle à la reproductibilité du ML.

Leçon 1 • Principes de conception de pipelines

Couvre la modularité, l'idempotence et l'isolement des défaillances dans l'architecture des pipelines. Établit des règles de conception qui rendent les pipelines maintenables et débuggables.

Leçon 2 • Outils d'orchestration de flux de travail

Passe en revue les cadriciels d'orchestration basés sur des DAG et leurs capacités de planification. Permet aux étudiants de sélectionner et de configurer des orchestrateurs pour diverses charges de travail ML.

Leçon 3 • Modèles d'entraînement continu

Couvre le réentraînement planifié, le réentraînement piloté par les événements et les configurations champion-contestant. Maintient les modèles à jour automatiquement avec l'évolution des distributions de données.

Leçon 4 • Pipelines d'entraînement automatisés

Construit des pipelines qui automatisent la préparation des données, l'entraînement et les étapes d'évaluation de bout en bout. Réduit l'intervention manuelle et permet l'entraînement continu sur de nouvelles données.

Leçon 1 • API de service de modèles et contrats

Couvre la conception de schémas d'API, la gestion de versions et la rétrocompatibilité pour les points de terminaison de modèles. Empêche les changements non rétrocompatibles de perturber les consommateurs en aval.

Leçon 2 • Infrastructure de service et mise à l'échelle

Présente la répartition de charge, la mise à l'échelle automatique et l'allocation des ressources pour l'inférence. Garantit que les systèmes de service respectent les SLA de latence et de débit sous charge variable.

Leçon 3 • Conteneurisation pour le service de modèles

Couvre l'empaquetage des modèles dans des conteneurs avec des environnements d'exécution reproductibles. Permet un déploiement de modèles portable et indépendant de l'environnement sur toute infrastructure.

Leçon 4 • Stratégies de déploiement progressif

Enseigne les déploiements canari, bleu-vert et le mode miroir. Réduit le risque de déploiement en validant les nouveaux modèles en toute sécurité avec du trafic réel.

Leçon 1 • Contrôles de validation automatisés des modèles

Définit des contrôles de qualité qui bloquent la promotion du modèle lorsque les critères d'évaluation ne sont pas respectés. Empêche automatiquement les modèles sous-performants d'atteindre la production.

Leçon 2 • Architecture CI/CD ML

Cartographie les étapes CI/CD aux artefacts spécifiques au ML, y compris les données, le code et les modèles. Fournit le plan architectural pour les pipelines de livraison ML automatisés.

Leçon 3 • Tests dans le pipeline de livraison ML

Intègre la validation des données, les tests de modèles et les tests de service dans le flux CI/CD. Garantit que chaque étape du pipeline dispose d'une vérification de qualité automatisée avant la promotion.

Leçon 4 • Automatisation de l'infrastructure pour le ML

Applique l'infrastructure en tant que code pour provisionner les environnements d'entraînement et de service de manière cohérente. Élimine la dérive des environnements entre le développement, les tests et la production.

Leçon 1 • Alertes et réponse aux incidents

Conçoit des règles d'alerte, des chemins d'escalade et des manuels d'opérations pour les incidents de production ML. Réduit le temps moyen de résolution grâce à des procédures d'intervention structurées.

Leçon 2 • Piliers de l'observabilité pour le ML

Présente les journaux, les métriques et les traces comme les trois piliers de l'observabilité appliqués au ML. Établit la base d'instrumentation pour toutes les stratégies de surveillance.

Leçon 3 • Détection de la dérive des données

Couvre les tests statistiques et les métriques de distance pour détecter les changements de distribution d'entrée. Permet un avertissement précoce avant que les performances du modèle ne se dégradent en production.

Leçon 4 • Surveillance des performances des modèles

Suit les métriques de qualité des prédictions au fil du temps à l'aide de la vérité terrain et de signaux proxy. Relie les tendances de performance aux décisions de réentraînement et de retour arrière.

Leçon 1 • Gestion des coûts pour l'infrastructure ML

Analyse les coûts de calcul, de stockage et de service et applique des stratégies d'optimisation. Empêche les dépenses d'infrastructure incontrôlées à mesure que les charges de travail ML évoluent entre les équipes.

Leçon 2 • Gouvernance et auditabilité des modèles

Couvre les fiches de modèles, les flux de travail d'approbation et les pistes de vérification pour les modèles de production. Permet la responsabilisation et la traçabilité requises dans les domaines réglementés ou à enjeux élevés.

Leçon 3 • Ingénierie de plateforme pour les équipes ML

Conçoit des plateformes ML internes qui font abstraction de la complexité de l'infrastructure pour les praticiens. Accélère la productivité des équipes grâce à des outils en libre-service et des parcours dorés.

Leçon 4 • Modèles de maturité MLOps

Présente des cadres de maturité allant des processus manuels aux plateformes ML entièrement automatisées. Aide les organisations à évaluer l'état actuel et à prioriser les investissements d'amélioration.