Formation MLOps

Leçon 1 • Principes DevOps appliqués au ML

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

Leçon 2 • Aperçu du cycle de vie du ML

Cartographie le parcours de bout en bout, de l'ingestion de données à la mise hors service du modèle. Fournit le modèle mental sur lequel s'appuient tous les chapitres suivants.

Leçon 3 • Valeur métier 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 business case en faveur de l'investissement 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 • Traçabilité et gouvernance des données

Suit la provenance des données de la source à l'artefact du modèle à des fins d'audit. Soutient la conformité avec les 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 du modèle en aval.

Leçon 4 • Feature stores et réutilisabilité

Présente 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 en tant que 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 doublons d'efforts et accélère le partage des connaissances.

Leçon 3 • Principes fondamentaux du suivi des expériences

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

Leçon 4 • Comparaison et sélection des expériences

Applique des méthodes de comparaison statistiques et visuelles 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 passerelles nécessitant une validation 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 : le magasin de métadonnées, le magasin d'artefacts et la 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 traçabilité des modèles

Lie chaque version du 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 modèle.

Leçon 1 • Stratégies de test pour les systèmes de ML

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

Leçon 2 • Livraison continue pour les modèles

Automatise le packaging, la promotion dans le registre et la génération des manifestes de déploiement après la réussite 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 travaux d'entraînement paramétrés dans des 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 pipelines

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 les coûts. Relie les choix d'optimisation aux contraintes matérielles et de SLA.

Leçon 2 • Service de modèles avec API REST

Construit des points de terminaison REST de qualité production avec validation d'entrée, versioning et vérifications de santé. Couvre les modèles de gestion des requêtes pour les environnements à forte concurrence.

Leçon 3 • Stratégies de déploiement progressif

Implémente les déploiements canary, blue-green et shadow pour réduire le risque en production. Permet des déploiements de modèles sécurisés avec des déclencheurs de rollback 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. Garantit 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 changements dans la distribution des entrées et des étiquettes. Permet une alerte précoce avant que la précision du modèle ne se dégrade significativement.

Leçon 2 • Journalisation et tracing distribué

Instrumente les services d'inférence avec des journaux structurés et des traces distribuées pour l'analyse des causes racines. Relie l'outillage d'observabilité au pipeline de monitoring plus large.

Leçon 3 • Déclencheurs de réentraînement automatisés

Connecte les signaux de surveillance aux pipelines de réentraînement automatisés à l'aide de déclencheurs basés sur la planification et la dérive. Ferme la boucle de rétroaction entre la surveillance de la production et l'amélioration du modèle.

Leçon 4 • Stratégie de surveillance et métriques

Définit les métriques opérationnelles, de qualité des données et de performance du modèle pour un plan de surveillance complet. Aligne le périmètre de surveillance avec les comportements critiques du modèle pour l'activité.

Leçon 1 • Sécurité et contrôle d'accès

Applique l'accès au moindre privilège, la gestion des secrets et la segmentation réseau aux charges de travail 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 l'ensemble de la plateforme ML. Permet des décisions d'allocation de 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 sous contrôle de version.

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

Planifie des déploiements progressifs de la plateforme avec une gestion du changement et des améliorations de l'expérience développeur interne. Favorise l'adoption du MLOps à l'échelle de l'organisation via le renforcement des capacités et les boucles de rétroaction.

Leçon 5 • Cadres de risque et de conformité des modèles

Implémente des pratiques de gestion des risques des modèles, y compris la documentation, la validation et les pistes d'audit. Aligne les workflows MLOps avec les attentes réglementaires en matière de gouvernance des modèles.