Maîtriser les principes, pratiques et outils de MLOps pour industrialiser le cycle de vie des modèles ML (déploiement continu, monitoring, gestion des versions, automatisation du pipeline...).
Campus Côte d'Azur
Campus Dubai
Campus Paris
14 jours
55 heures
Présentiel
Français
IA-006
Data Scientists, ML Engineers, DevOps Engineers, ingénieurs logiciels travaillant sur projets IA/ML, architectes Cloud/IA, responsables de la mise en production des modèles IA.
Expérience en Data Science/ML et/ou en DevOps/Ingénierie logicielle. Connaissance Docker et CI/CD.
Principes MLOps (CI/CD/CT pour ML), conteneurisation des modèles (Docker), plateformes de déploiement (Cloud AI platforms, Kubernetes/Kubeflow...), monitoring des modèles en production (performance, dérive...), gestion du cycle de vie des modèles (versioning...), automatisation pipeline ML.
Supports de cours, plateformes Cloud (AWS SageMaker, Azure ML, GCP AI Platform - présentation/pratique), outils MLOps (MLflow, Kubeflow, DVC...), Docker, outils CI/CD (GitLab CI, Jenkins...), études de cas MLOps, bonnes pratiques d'industrialisation ML.
Mise en place d'un pipeline MLOps simple (entraînement, déploiement, monitoring de base) pour un modèle ML. Conteneurisation et déploiement d'un modèle sur une plateforme cible (simulation/pratique).
Représentante de la formation
Que vous soyez un particulier ou une organisation/un groupe à la recherche d'un programme, contactez-nous et nous vous aiderons à trouver la meilleure solution pour vous.