← Retour aux formations
Intelligence Artificielle & Data
Ingénierie MLOps sur AWS : automatisation, orchestration avec SageMaker, CI/CD et supervision des modèles en production
Avancé
À propos de cette formation
Ingénieurs MLOps et DevOps en charge du déploiement et du suivi de modèles ML sur AWS.
Objectifs de la formation
- Décrire les apports du MLOps dans un projet de Machine Learning
- Distinguer DevOps et MLOps en identifiant leurs similarités et leurs spécificités
- Évaluer les besoins en sécurité et gouvernance d'un projet ML et proposer des stratégies d'atténuation
- Mettre en place des environnements d'expérimentation MLOps avec Amazon SageMaker
- Comparer trois approches pour construire un pipeline CI/CD complet en contexte ML
- Appliquer les bonnes pratiques d'automatisation du packaging, des tests et du déploiement (données, modèle, code)
- Mettre en place la supervision de solutions ML en production
- Automatiser une solution ML de bout en bout : tests, packaging, déploiement, détection de dérive et réentraînement
- Maîtriser le versioning et l'intégrité des actifs ML : données, modèles et code
Programme détaillé
Module 1 — Introduction au MLOps
- Procédures, acteurs et technologies du MLOps
- Sécurité et gouvernance
- Modèle de maturité MLOps
Module 2 — MLOps initial : environnements d'expérimentation dans SageMaker Studio
- Intégrer le MLOps à la phase d'expérimentation
- Configuration de l'environnement ML
- Démonstration : création et mise à jour d'une configuration de cycle de vie dans SageMaker Studio
- Travaux pratiques : déploiement d'un environnement SageMaker Studio via le Service Catalog AWS
Module 3 — MLOps reproductible : repositories
- Gestion des données pour le MLOps
- Gestion des versions des modèles ML
- Repositories de code pour le Machine Learning
Module 4 — MLOps reproductible : orchestration
- Pipelines ML
- Démonstration : orchestration de la création de modèles avec SageMaker Pipelines
Module 5 — MLOps reproductible : orchestration avancée
- Orchestration de bout en bout avec AWS Step Functions
- Orchestration complète avec SageMaker Projects
- Démonstration : standardiser un pipeline ML de bout en bout avec SageMaker Projects
- Utilisation d'outils tiers pour la reproductibilité
- Démonstration : intégration de l'humain dans la boucle lors de l'inférence
- Gouvernance et sécurité avec SageMaker
- Travaux pratiques : automatisation d'un workflow avec Step Functions
Module 6 — MLOps fiable : scalabilité et tests
- Stratégies de montée en charge et architectures multi-comptes
- Tests de modèles et répartition du trafic
- Démonstration : utilisation de SageMaker Inference Recommender
- Travaux pratiques : test de variantes de modèles
Module 7 — MLOps fiable : scalabilité avancée
- Stratégies multi-comptes
- Travaux pratiques : gestion de la répartition du trafic
Module 8 — MLOps fiable : supervision
- Importance de la supervision en Machine Learning
- Enjeux opérationnels liés à la supervision des modèles
- Résolution des anomalies détectées par la supervision
- Atelier pratique : construire et dépanner un pipeline ML
- Travaux pratiques : surveiller un modèle pour détecter une dérive des données
Prérequis
Avoir suivi la formation AWS Technical Essentials et DevOps Engineering on AWS, ou Practical Data Science with Amazon SageMaker. Support de cours officiel en anglais — bonne compréhension de l'anglais écrit requise.