MLOps : pipelines ML et déploiement dans le cloud

• Concevoir des pipelines de machine learning
• Conteneuriser et orchestrer les traitements
• Automatiser par l'intégration continue
• Déployer et superviser dans le cloud

Développeurs / Data Scientists souhaitant industrialiser leurs modèles

Non précisé

• Module 1

  Introduction au MLOps et aux pipelines : Cycle de vie d’un modèle : entraînement, déploiement, supervision. Découverte des outils : MLflow, Kubeflow, Airflow. Mise en pratique : création d’un mini-pipeline local d’entraînement

• Module 2

  Conteneurisation et orchestration : Conteneuriser un modèle avec Docker. Orchestrer les exécutions avec Kubernetes et gérer la scalabilité. Mise en pratique : déploiement d’un modèle sur cluster simulé

• Module 3

  Automatisation CI/CD pour ML : Configurer GitHub Actions ou GitLab CI pour l’entraînement et le déploiement. Automatiser les tests et la mise à jour des modèles. Mise en pratique : pipeline CI/CD complet pour un projet ML

• Module 4

  Déploiement et supervision Cloud : Déployer sur AWS SageMaker, Azure ML ou Vertex AI. Mettre en place la surveillance et la gestion des performances. Mise en pratique : déploiement final d’un modèle IA dans le Cloud

• Apports structurés et études de cas concrets
• Ateliers pratiques et labs sur plateforme de pratique
• Jusqu'à 70 % de pratique sur les modules techniques
• Supports fournis et accès aux environnements d'entraînement

• Test de positionnement en amont
• Évaluations continues (QCM, travaux pratiques)
• Évaluation de fin de formation et attestation
• Passage des examens de certification le cas échéant

Modalités

Présentiel, Distanciel synchrone, Hybride

Formats

Inter-entreprises, Intra-entreprise

Lieux

Versailles, La Défense (Tour Canopy), Clermont-Ferrand

Effectif

De 2 à 12 participants

Langue

Français