Formation MLOps

Leçon 1 • Principes DevOps appliqués au ML

Traduit les CI/CD, l'infrastructure en tant que code et les boucles de retour dans les contextes ML. Ancre le vocabulaire du MLOps dans des concepts DevOps familiers.

Leçon 2 • Aperçu du cycle de vie du ML

Cartographie le parcours complet, de l'ingestion des données à la retraite du modèle. Fournit le modèle mental sur lequel tous les chapitres suivants se construisent.

Leçon 3 • Valeur commerciale et ROI du MLOps

Quantifie comment le MLOps réduit le délai de mise en production et les taux d'échec des modèles. Équipe les apprenants pour construire un dossier commercial pour l'investissement dans le MLOps.

Leçon 4 • Rôles et responsabilités clés

Définit les rôles de data scientist, d'ingénieur ML et d'ingénieur plateforme au sein d'une équipe MLOps. Clarifie les limites de collaboration pour réduire les frictions.

Leçon 1 • Lignage et gouvernance des données

Suit la provenance des données, de la source à l'artefact du modèle, pour l'auditabilité. Soutient la conformité aux exigences de gouvernance des données et de confidentialité.

Leçon 2 • Validation des données et contrôles de qualité

Implémente la validation de schéma, la détection de dérive statistique et les alertes d'anomalie. Empêche les données corrompues ou décalées de dégrader silencieusement les modèles.

Leçon 3 • Architecture du pipeline de données

Couvre les modèles d'ingestion par lots et en continu ainsi que leurs compromis. Relie la fiabilité des données directement à la qualité aval du modèle.

Leçon 4 • Feature Stores et réutilisabilité

Introduit les feature stores centralisés pour des caractéristiques d'entraînement et de service cohérentes. Réduit la duplication et le décalage entraînement-service entre les équipes.

Leçon 1 • Environnements d'entraînement reproductibles

Utilise la conteneurisation et le verrouillage d'environnement pour garantir des conditions d'entraînement identiques. Élimine la dérive d'environnement comme source d'irreproductibilité.

Leçon 2 • Collaboration dans l'expérimentation

Établit des espaces de noms d'expériences partagés et des workflows de révision pour la recherche en équipe. Réduit les efforts en double et accélère le partage des connaissances.

Leçon 3 • Fondamentaux du suivi d'expériences

Définit ce qui constitue une expérience traçable et pourquoi la journalisation ad hoc échoue à grande échelle. Établit la base de pratiques d'expérimentation structurées.

Leçon 4 • Comparaison et sélection des expériences

Applique des méthodes de comparaison statistique et visuelle pour sélectionner la meilleure exécution de modèle. Construit des critères de décision objectifs au-delà de la sélection par métrique unique.

Leçon 1 • Formats de sérialisation des modèles

Compare pickle, ONNX, SavedModel et les formats personnalisés pour la portabilité et la performance. Guide la sélection du format en fonction des exigences de la cible de déploiement.

Leçon 2 • Workflows d'approbation et gouvernance

Implémente des workflows de promotion avec validation nécessitant une signature humaine avant le déploiement en production. Renforce la responsabilité et réduit les versions de modèles non autorisées.

Leçon 3 • Architecture du registre de modèles

Explique les composants du registre : magasin de métadonnées, magasin d'artefacts et machine d'état du cycle de vie. Positionne le registre comme la source unique de vérité pour les modèles de production.

Leçon 4 • Versioning et lignage des modèles

Lie chaque version de modèle à ses données d'entraînement, son commit de code et ses hyperparamètres. Permet une reproductibilité complète et une analyse des causes profondes des régressions de modèles.

Leçon 1 • Stratégies de test pour les systèmes ML

Applique des tests unitaires, d'intégration, comportementaux et de données à travers le pipeline ML. Construit une stratégie de test en couches qui attrape les échecs au stade le plus précoce.

Leçon 2 • Livraison continue pour les modèles

Automatise le conditionnement, la promotion dans le registre et la génération de manifestes de déploiement après le passage du CI. Découple la version du modèle de l'intervention manuelle de l'ingénieur.

Leçon 3 • Entraînement automatisé des modèles dans le CI

Exécute des tâches d'entraînement paramétrées dans les pipelines CI en utilisant des stratégies économes en calcul. Équilibre la rigueur avec les contraintes de temps d'exécution du pipeline.

Leçon 4 • Outils d'orchestration de pipeline

Compare les orchestrateurs basés sur DAG pour la planification et la gestion des dépendances dans les pipelines ML. Guide la sélection d'outils en fonction de l'échelle et de l'expertise de l'équipe.

Leçon 1 • Techniques d'optimisation de l'inférence

Applique la quantification, le traitement par lots et la compilation de modèles pour réduire la latence et le coût. Relie les choix d'optimisation aux contraintes matérielles et de SLA.

Leçon 2 • Service de modèles via API REST

Construit des points de terminaison REST de niveau production avec validation des entrées, versioning et vérifications de santé. Couvre les modèles de gestion des requêtes pour les environnements à haute concurrence.

Leçon 3 • Stratégies de déploiement progressif

Implémente des déploiements canary, blue-green et shadow pour réduire le risque en production. Permet des déploiements sécurisés de modèles avec des déclencheurs de retour arrière automatisés.

Leçon 4 • Déploiement conteneurisé sur Kubernetes

Déploie des conteneurs de service de modèles sur Kubernetes avec mise à l'échelle automatique et limites de ressources. Assure des services d'inférence fiables et auto-réparateurs sous charge variable.

Leçon 1 • Détection de la dérive des données et du concept

Applique des tests statistiques et des mesures de distance pour détecter les déplacements de distribution des entrées et des étiquettes. Permet une alerte précoce avant que la précision du modèle ne se dégrade significativement.

Leçon 2 • Journalisation et traçage distribué

Instrumente les services d'inférence avec des journaux structurés et des traces distribuées pour l'analyse des causes profondes. Connecte les outils d'observabilité au pipeline de supervision plus large.

Leçon 3 • Déclencheurs de réentraînement automatisés

Connecte les signaux de supervision aux pipelines de réentraînement automatisés en utilisant des déclencheurs basés sur la planification et la dérive. Ferme la boucle de retour entre la supervision de production et l'amélioration du modèle.

Leçon 4 • Stratégie de supervision et métriques

Définit les métriques opérationnelles, de qualité des données et de performance du modèle pour un plan de supervision complet. Aligne la portée de la supervision avec les comportements critiques du modèle pour l'entreprise.

Leçon 1 • Sécurité et contrôle d'accès

Applique l'accès au moindre privilège, la gestion des secrets et la segmentation réseau aux workloads ML. Protège les données d'entraînement sensibles et les artefacts de modèle contre les accès non autorisés.

Leçon 2 • Gestion des coûts et optimisation des ressources

Suit et optimise les coûts de calcul, de stockage et de service sur la plateforme ML. Permet des décisions d'allocation des ressources basées sur les données à l'échelle organisationnelle.

Leçon 3 • Infrastructure en tant que code pour le ML

Provisionne l'infrastructure ML de manière déclarative à l'aide d'outils IaC pour la répétabilité et l'auditabilité. Élimine la dérive de configuration entre les environnements grâce à une infrastructure versionnée.

Leçon 4 • Feuille de route de la plateforme et stratégie d'adoption

Planifie des déploiements de plateforme par phases avec gestion du changement et améliorations de l'expérience développeur interne. Conduit l'adoption du MLOps à l'échelle de l'organisation grâce à l'habilitation et aux boucles de retour.

Leçon 5 • Cadres de risque et de conformité des modèles

Implémente des pratiques de gestion du risque lié aux modèles, y compris la documentation, la validation et les pistes d'audit. Aligne les workflows MLOps avec les attentes réglementaires pour la gouvernance des modèles.