MLOps : gestion de modèles

• Savoir identifier les modèles pertinents selon les cas d'usage
• Maitriser les outils et méthodes pour référencer
• Gérer les modèles utilisés
• Comprendre l'intérêt et les méthodes de gestion de modèles.
• Connaître les bonnes pratiques, et les outils principaux de gestion de modèles
• Savoir mettre en oeuvre la gestion de modèles avec Airflow

Introduction à MLOps et la gestion de modèles

• Définition. Importance de la collaboration entre data scientists et ingénieurs.
• Les défis de la mise en production de modèles (dérive, réentraînement, monitoring), et les avantages d'une gestion efficace.
• Atelier : cycle de vie d'un modèle en MLOps : vue d'ensemble des différentes étapes, de la conception à la mise hors service.

Outils et technologies clés

• Plateformes MLOps : Présentation des principales plateformes (MLflow, Kubeflow, AWS SageMaker, Azure Machine Learning) et de leurs fonctionnalités clés.
• Outils de versioning : Git, DVC, comment gérer le code, les données et les modèles.
• Registres de modèles : Stockage, versioning, et partage des modèles.
• Orchestration de workflows : Airflow, Luigi, pour automatiser les pipelines MLOps.
• Atelier : mise en oeuvre de Airflow

Les bonnes pratiques de gestion de modèles

• Versioning et suivi : Importance de la version, des métadonnées, et des logs pour la reproductibilité.
• Déploiement : Stratégies de déploiement (A/B testing, canary releases), et les environnements de déploiement (cloud, on-premise).
• Monitoring : Suivi des performances des modèles en production, détection d'anomalies, et alertes.
• Réentraînement et mise à jour : Stratégies pour maintenir les modèles à jour, et les défis liés au réentraînement continu.
• Atelier : exemples de monitoring

Défis et tendances

• Gouvernance des données : Questions de confidentialité, de sécurité, et de conformité.
• Expérience utilisateur : Faciliter l'utilisation des modèles par les équipes métier Intégrabilité : Intégrer les modèles dans les applications existantes.
• Tendances futures : MLOps décentralisé, MLOps pour l'IA générative.

Une attestation de participation sera transmise aux participants