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.
Objectifs pédagogiques
- 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
Public concerné
ML Engineers
MLOps Engineers
DevOps Engineers
Architectes Data / AI / Cloud
Responsables plateforme ML
Prérequis
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
Déroulé du programme
Informations
Durée
3 jours
21 heures
Tarif
Sur demande
Formations similaires
IA & Data
DBT (Data Build Tool) – Transformer vos données avec du SQL versionné
2 jours
Sur demande
IA & Data
Big Data, Open Data - Les fondamentaux (4-111)
2 jours
1500€
IA & Data
DATABRICKS – Data Engineering et Analytics sur le Lakehouse
3 jours
Sur demande
IA & Data
IA Multimodale Avancée : Concevoir et déployer des systèmes combinant texte, image, audio et vidéo
2 jours
Sur demande