MLOps : pipelines ML et déploiement dans le cloud
Industrialiser le cycle de vie des modèles de machine learning, jusqu'au cloud.
- Expert
4 jours (28 h) · Présentiel / Distanciel synchrone / Hybride · Français · 3 480 € TTC · Réf. RES-0068
Document édité le 19 novembre 2026 — acensilearning.fr
3 480 € TTC
du 11 au 14 janvier 2027 · La Défense (Tour Canopy) · Présentiel ou à distance
Toutes les datesEn quelques mots
Industrialiser le cycle de vie d'un modèle, de l'entraînement à la production. La formation couvre la conception de pipelines, la conteneurisation avec Docker, l'orchestration, l'automatisation par intégration continue, le déploiement sur AWS, Azure ou GCP, et la supervision.
Objectifs pédagogiques
- Concevoir des pipelines de machine learning
- Conteneuriser et orchestrer les traitements
- Automatiser par l'intégration continue
- Déployer et superviser dans le cloud
Public visé
Développeurs / Data Scientists souhaitant industrialiser leurs modèles
Prérequis
Non précisé
Programme
Un projet de machine learning fourni sert de cas fil rouge, depuis le pipeline local jusqu’au déploiement et à la supervision. Les travaux pratiques utilisent un environnement préparé et une plateforme cloud de référence parmi AWS, Azure ou Google Cloud. Les autres plateformes sont abordées en comparaison.
Module 1 : Le cycle de vie d’un système de machine learning
- Articulation entre préparation des données, entraînement, validation, déploiement et supervision.
- Différences entre prototype de data science et service exploitable : dépendances, reproductibilité et responsabilités.
- Intégration continue, livraison continue et entraînement continu : fonctions et conditions de mise en œuvre.
- Positionnement de MLflow, des orchestrateurs de pipelines et des services cloud managés.
Analyse guidée : Examiner le projet fourni et repérer les éléments manquants pour passer d’un notebook expérimental à un système exploitable.
Module 2 : Les pipelines et la reproductibilité des traitements
- Décomposition du traitement en étapes : préparation, entraînement, évaluation et production des artefacts.
- Paramétrage des exécutions, dépendances entre étapes et gestion des erreurs.
- Traçabilité des versions du code, des données, des bibliothèques et des configurations.
- Suivi des expériences avec MLflow : paramètres, métriques, modèles et comparaison des résultats.
Travaux pratiques : Construire un premier pipeline local, enregistrer ses résultats et reproduire une expérience à partir des éléments conservés.
Module 3 : La validation des données et des modèles
- Contrôles des schémas, des valeurs manquantes et des distributions des données d’entrée.
- Tests du code de préparation et cohérence des transformations entre entraînement et prédiction.
- Évaluation sur des données réservées, comparaison à un modèle de référence et critères de promotion.
- Registre des modèles : versions, métadonnées, alias et identification du modèle effectivement déployé.
Atelier : Ajouter des contrôles au pipeline et empêcher la promotion d’un modèle qui ne satisfait pas les critères retenus.
Module 4 : La conteneurisation du service de prédiction
- Conditionnement du modèle et de ses transformations dans un service de prédiction.
- Interface d’appel, validation des entrées et contrat de sortie.
- Construction d’une image Docker, versions des dépendances et configuration par environnement.
- Tests du conteneur, gestion des secrets et contrôle des ressources utilisées.
Travaux pratiques : Conteneuriser le service, vérifier ses prédictions et tester son comportement face à des entrées invalides.
Module 5 : L’orchestration des traitements et des services
- Rôles respectifs de l’orchestration des pipelines et de l’orchestration des conteneurs.
- Positionnement d’Airflow et de Kubeflow selon les besoins de traitement.
- Exécution de traitements par lots et déploiement d’un service avec Kubernetes.
- Ressources, contrôles de santé, redémarrage et adaptation du nombre de réplicas à la charge.
Travaux pratiques : Déployer le service sur le cluster pédagogique et observer son comportement lors d’un redémarrage et d’une variation de charge.
Module 6 : L’automatisation CI/CD du projet ML
- Chaîne d’intégration avec GitHub Actions ou GitLab CI : tests, construction et publication des artefacts.
- Déclenchement des traitements selon les changements de code, de données ou de configuration.
- Séparation des environnements et contrôles avant promotion d’une nouvelle version.
- Traçabilité des livraisons, validation des mises à jour et procédure de retour à une version précédente.
Travaux pratiques : Automatiser la chaîne du cas fil rouge, provoquer l’échec d’un contrôle et vérifier qu’il bloque la livraison.
Module 7 : Le déploiement sur une plateforme cloud
- Services d’entraînement, registres et points de terminaison proposés par SageMaker, Azure Machine Learning et Vertex AI.
- Choix entre prédiction par lots et service en ligne selon la latence et le volume attendus.
- Identités, autorisations, accès aux données et configuration des environnements.
- Dimensionnement, coûts d’exploitation et arrêt des ressources inutilisées.
Module 8 : La supervision et l’évolution du modèle
- Suivi du service : disponibilité, erreurs, latence et consommation de ressources.
- Suivi des données et des prédictions : changements de distribution et dégradation possible de la qualité.
- Mesure des performances lorsque les résultats réels deviennent disponibles ; limites des indicateurs indirects.
- Alertes, analyse des incidents, conditions de réentraînement et validation d’un modèle remplaçant.
Mise en situation et restitution : Déployer le service sur la plateforme cloud de référence, simuler une évolution des données et présenter une décision argumentée de maintien, de réentraînement ou de retour à une version précédente.
Méthodes pédagogiques
- 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
Modalités d'évaluation
- Test de positionnement en amont
- Évaluations continues (QCM, travaux pratiques)
- Évaluation de fin de formation et attestation
Votre formateur
Cette formation est animée par l'un de nos formateurs experts du domaine. Nos formateurs sont des praticiens en activité, au sein d'ACENSI, ESN de 2 500 consultants, ou de notre réseau d'experts partenaires : ils interviennent au quotidien sur les sujets qu'ils enseignent, et transmettent des méthodes éprouvées sur des projets réels plutôt que des connaissances théoriques. Chaque intervenant est sélectionné pour son expertise technique, son expérience opérationnelle et ses qualités pédagogiques.
Prochaines sessions
du 11 au 14 janvier 2027
La Défense (Tour Canopy) · Présentiel ou à distance
S'inscriredu 15 au 18 mars 2027
Clermont-Ferrand · Présentiel ou à distance
S'inscrire
Modalités pratiques
- Présentiel, Distanciel synchrone, Hybride
- Inter-entreprises, Intra-entreprise
- Versailles, La Défense (Tour Canopy), Clermont-Ferrand
- De 2 à 12 participants
- Français
Financement
Cette formation peut être financée par :
- OPCO de votre branche professionnelle, pour les salariés
- Plan de développement des compétences de votre entreprise
- France Travail (AIF), pour les demandeurs d'emploi
- Transitions Pro, dans le cadre d'un projet de reconversion professionnelle
Nous vous accompagnons dans le montage de votre dossier de financement.
Financement OPCO ou CPF : prévoyez idéalement 2 mois avant la session.
Accessibilité et handicap
Toutes nos formations sont accessibles aux personnes en situation de handicap. Avant votre inscription, notre référent handicap étudie avec vous vos besoins et les adaptations possibles : aménagement du rythme et des modalités, adaptation des supports, accessibilité des locaux, et recours si nécessaire à des partenaires spécialisés. Nos trois sites sont accessibles aux personnes à mobilité réduite.
Référent handicap : Benjamin BONNET — handicap@acensi.fr
Formations associées
Cloud computing : déploiement, administration et optimisation
Déployer, administrer et optimiser une infrastructure cloud sans faire exploser la facture.
- 4 jours
- Expert
- 3 sites · à distance
Prochaine session : 22 juin 2027
3 480 € TTC
Voir- Certifiante
Control-M 21.x: Fundamentals Administering
Administrer et personnaliser Control-M en environnement distribué.
- 4 jours
- Intermédiaire
- 3 sites · à distance
Prochaine session : 15 février 2027
4 590 € TTC
Voir - Certifiante
Control-M 22: Fundamentals Operating and Scheduling
Surveiller, créer et planifier des jobs avec Control-M.
- 5 jours
- Intermédiaire
- 3 sites · à distance
Prochaine session : 30 novembre 2026
5 742 € TTC
Voir