MLOps — Avancé : pipelines, monitoring et scaling

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.

• 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