Cours MLOps

Leçon 1 • Ce que résout le MLOps

Définit l'écart entre le ML expérimental et les systèmes de production. Ancre le chapitre en exposant pourquoi la discipline opérationnelle est essentielle à la création de valeur du ML.

Leçon 2 • Principes fondamentaux du MLOps

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

Leçon 3 • Concepts DevOps appliqués au ML

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

Leçon 4 • Rôles et structures d'équipe

Définit les responsabilités des ingénieurs ML, des data scientists et des ingénieurs plateforme. Clarifie les frontières de collaboration qui affectent les décisions de conception des pipelines.

Leçon 1 • Feature stores et réutilisation

Explique les feature stores hors ligne et en ligne ainsi que leur rôle dans la cohérence. Réduit le décalage entraînement-service en centralisant le calcul des caractéristiques.

Leçon 2 • Traçabilité et gouvernance des données

Couvre la traçabilité de bout en bout et le contrôle d'accès pour les ensembles de données de 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 un schéma appliquées lors de l'ingestion. Empêche la corruption silencieuse des données de se propager dans l'entraînement du modèle.

Leçon 4 • Stratégies de versioning des ensembles de données

Enseigne les instantanés de données immuables, le versioning delta et le marquage des métadonnées. Permet une reproductibilité complète de tout entraînement historique.

Leçon 1 • Gestion des hyperparamètres

Enseigne les stratégies de recherche systématique et la gestion de configuration pour les hyperparamètres. Relie la discipline de 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 de vérification de la ré-exécution des expériences. Prépare les étudiants à diagnostiquer et à corriger le non-déterminisme dans les pipelines d'entraînement.

Leçon 3 • Bases du registre de modèles

Présente les registres de modèles centralisés pour le stockage et la mise en scène des modèles entraînés. Fournit la couche de gestion des artefacts nécessaire à un déploiement contrôlé.

Leçon 4 • Fondamentaux du suivi des expériences

Présente la journalisation des paramètres, métriques et artefacts lors des cycles d'entraînement. Établit l'habitude d'une tenue de registre structurée, centrale pour un ML reproductible.

Leçon 1 • Principes de conception des pipelines

Couvre la modularité, l'idempotence et l'isolation des pannes dans l'architecture des pipelines. Établit des règles de conception qui rendent les pipelines maintenables et déboguables.

Leçon 2 • Outils d'orchestration de workflow

Passe en revue les frameworks 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 de ML.

Leçon 3 • Patterns d'entraînement continu

Couvre le réentraînement planifié, le réentraînement piloté par événements et les configurations champion-challenger. Maintient automatiquement les modèles à jour 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 l'évaluation de bout en bout. Réduit l'intervention manuelle et permet un entraînement continu sur de nouvelles données.

Leçon 1 • API de service de modèles et contrats

Couvre la conception du schéma d'API, le versioning et la rétrocompatibilité pour les points de terminaison de modèles. Empêche les modifications cassantes de perturber les consommateurs en aval.

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

Présente l'équilibrage 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 canary, blue-green et le test en mode miroir. Réduit le risque de déploiement en validant les nouveaux modèles en toute sécurité par rapport au trafic en direct.

Leçon 1 • Barrières de validation automatisées des modèles

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

Leçon 2 • Architecture CI/CD pour le ML

Aligne les étapes CI/CD sur les artefacts spécifiques au ML, y compris les données, le code et les modèles. Fournit le plan d'architecture pour les pipelines de livraison de ML automatisés.

Leçon 3 • Tests dans le pipeline de livraison du 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 des environnements d'entraînement et de service de manière cohérente. Élimine la dérive d'environnement entre le développement, le préproduction et la production.

Leçon 1 • Alertes et réponse aux incidents

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

Leçon 2 • Piliers de l'observabilité pour le ML

Présente les logs, 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 une alerte précoce avant que les performances du modèle ne se dégradent en production.

Leçon 4 • Surveillance des performances du modèle

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

Leçon 1 • Gestion des coûts pour l'infrastructure de 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 de ML évoluent entre les équipes.

Leçon 2 • Gouvernance et auditabilité des modèles

Couvre les fiches modèles, les workflows d'approbation et les pistes d'audit 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 de ML

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

Leçon 4 • Modèles de maturité MLOps

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