Description
Concevoir des pipelines ML industrialisés, monitorer efficacement les modèles en production et mettre en place des stratégies de déploiement et de scaling adaptées aux contraintes de performance, de fiabilité et de coûts d’un environnement d’entreprise.
Learning Objectives
- Concevoir un pipeline MLOps automatisé de bout en bout
- Orchestrer des workflows ML avec Kubeflow, Vertex AI Pipelines et SageMaker Pipelines
- Mettre en place un feature store et gérer les features en production
- Gérer le versioning, l’enregistrement et la promotion des modèles
- Détecter les dérives de données et la dégradation des modèles
- Déployer des stratégies d’A/B testing et de mise en production progressive
- Optimiser l’allocation GPU et le scheduling sur Kubernetes
- Choisir une stratégie de serving adaptée : batch ou temps réel
Target Audience
ML Engineers
MLOps Engineers
DevOps Engineers
Architectes Data / AI / Cloud
Responsables plateforme ML
Prerequisites
Bonne maîtrise du Machine Learning
Expérience en Python et en déploiement de modèles
Connaissances en Docker et Kubernetes
Familiarité avec les environnements cloud ou les pipelines data
Program Outline
Informations
Duration
3 jours
21 heures
Tarif
Sur demande
Similar Trainings
IA & Data
Elasticsearch, administration et exploitation (4-084)
3 jours
2200€
IA & Data
Intelligence artificielle - Deep Learning par la pratique (4-024)
3 jours
2200€
IA & Data
Architectures Data modernes — Data Mesh, Lakehouse et Data Fabric
2 jours
Sur demande
IA & Data
ORACLE HAUTE DISPONIBILITÉ (RMAN AVANCÉ & DATA GUARD) (4-163)
4 jours
3450€