IA & Data

MLOps — Avancé : pipelines, monitoring et scaling

3 jour(s) • 21h

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

JOUR 1- Orchestration avancée des pipelines ML (7h00)

Structurer un pipeline ML industrialisé : entraînement, validation, déploiement, suivi
Comprendre les principes d’orchestration et les dépendances entre étapes
Comparer Kubeflow Pipelines, Vertex AI Pipelines et SageMaker Pipelines
Choisir une solution selon le contexte technique, cloud et organisationnel
Activité pratique – Étude de cas : Concevoir l’architecture d’un pipeline MLOps complet pour un cas métier. Déployer une première version du pipeline sur Kubernetes avec Kubeflow.

JOUR 2- Feature stores, model registry et promotion (7h00)

Comprendre le rôle d’un feature store dans l’industrialisation des modèles
Manipuler les principes de Feast et situer l’usage de Tecton
Mettre en place un model registry et gérer les versions de modèles
Définir un processus de validation et de promotion entre staging et production
Activité pratique – Cas pratique : Intégrer un feature store au pipeline fil rouge. Enregistrer, versionner et promouvoir un modèle dans un registry.

JOUR 3- Monitoring, A/B testing et scaling (7h00)

Suivre les performances d’un modèle en production
Détecter data drift, concept drift et model decay
Mettre en place une stratégie d’A/B testing ou de canary deployment
Comparer batch serving et real-time serving selon le besoin métier
Optimiser l’allocation GPU, le scheduling et le scaling sur Kubernetes
Activité pratique – TP : Finaliser un pipeline MLOps complet sur Kubernetes avec serving et monitoring. Tester deux versions d’un modèle et définir une stratégie de déploiement et de scaling.