Intelligence Artificielle & Data

MLOps : déploiement de Machine Learning en production

Avancé

À propos de cette formation

Ingénieurs, développeurs, chercheurs, data scientists, data analysts et tout profil souhaitant mettre en pratique les principes du MLOps.

check_circleMaîtriser les différentes étapes du cycle de vie du modèle et de la donnée au-delà de la phase POC
check_circleAppréhender les techniques de réduction de dimensions pour préparer un modèle au passage à l'échelle
check_circleIdentifier les principales plateformes de mise en production disponibles
check_circleImplémenter des algorithmes d'explicabilité pour un modèle de Machine Learning
check_circleAcquérir des bases sur l'embarquabilité des modèles
check_circleAppréhender les principes de l'entraînement distribué appliqué aux grands modèles

Module 1 — La vie après le PoC (Proof of Concept)

Définition et enjeux du MLOps : association des pratiques DevOps et Machine Learning
Cycle de vie de la donnée dans un projet de data science
Panorama des plateformes de mise en production
La malédiction de la dimensionnalité
Critères et choix techniques pour la mise en production
Plateformes d'embarquabilité : présentation et comparaison
Travaux pratiques : configuration d'un environnement cloud pour le déploiement de modèle, test d'APIs sur étagère, gestion des clés d'authentification et des points d'entrée d'API

Module 2 — Étapes de mise en production de modèles de Deep Learning

Intégration continue, déploiement et maintenance des modèles de ML
Réduction de dimensions avec PCA et SVD
Techniques de compression des modèles : pruning et quantization
Approximation bas rang et réseaux de poids binaires
Transformation de Winograd
Évaluation des performances du modèle après compression
Explicabilité des modèles avec LIME et SHAP
Travaux pratiques tutorés : déploiement d'un modèle ML de scoring de crédit avec explicabilité ; pruning appliqué à un modèle Deep Learning pré-entraîné pour la détection d'objets

Module 3 — Intégration de Docker et Kubernetes

Architectures pour l'entraînement distribué de larges modèles
Rappels sur Docker
Déploiement d'un modèle avec FastAPI et Docker
Introduction à Kubernetes
Présentation de KubeFlow
Gestion de gros volumes de données et architectures Big Data pour le déploiement de modèles
Bonnes pratiques de mise en production MLOps
Travaux pratiques : déploiement d'un modèle avec Docker

Bonne pratique du langage Python. Connaissances en Machine Learning et Deep Learning. Expérience de Docker.