Prérequis

Connaissances de base en machine learning (notions de modèles, entraînement, déploiement) Notions générales en Python et en environnement Cloud

Durée

2 jours

Contenu Technique de la Formation

La formation aborde les contenus techniques suivants :

• Principes du MLOps : continuité entre data science, développement et production
• Cycle de vie d’un projet ML : entraînement, validation, déploiement, monitoring
• Présentation d’Azure Machine Learning : workspaces, compute, modèles et endpoints
• Introduction à MLflow : tracking des expériences, gestion des modèles, packaging
• Intégration Azure ML ↔ MLflow pour le suivi et l’industrialisation des modèles
• Pipelines d’entraînement et d’inférence automatisés
• Monitoring des modèles : dérive des données, performance et alertes
• Bonnes pratiques de gouvernance et collaboration dans un projet MLOps

Objectifs de la Formation

Cette formation permet de comprendre et de mettre en pratique les concepts du MLOps avec Azure ML et MLflow afin de fiabiliser et industrialiser le cycle de vie des modèles. Les compétences visées par la formation sont les suivantes :

• Comprendre les enjeux et principes du MLOps
• Utiliser Azure Machine Learning pour gérer le cycle de vie d’un modèle
• Suivre les expériences et gérer les versions de modèles avec MLflow
• Automatiser l’entraînement, le déploiement et le monitoring des modèles
• Mettre en place un pipeline ML complet de bout en bout
• Appliquer des bonnes pratiques de gouvernance et de collaboration en MLOps

Table des Matières

Introduction

• Définition et enjeux du MLOps
• Comparaison avec DevOps
• Cycle de vie d’un projet ML

Azure Machine Learning

• Présentation des workspaces et compute targets
• Gestion des datasets et des modèles
• Déploiement de modèles et endpoints

MLflow

• Tracking des expériences
• Gestion des artefacts et des modèles
• Packaging et réutilisation

Intégration Azure ML & MLflow

• Enregistrement et suivi des expériences
• Déploiement automatisé via pipelines
• Collaboration et gouvernance

Monitoring et optimisation

• Détection de la dérive des données
• Suivi des performances des modèles en production
• Alertes et bonnes pratiques

En Pratique

• Les exercices proposés lors de la formation permettent d’appliquer les concepts sur des cas concrets :
• Suivi d’expériences avec MLflow et comparaison de modèles
• Déploiement d’un modèle simple sur Azure ML et exposition en endpoint
• Mise en place d’un pipeline d’entraînement et d’inférence automatisé
• Détection et analyse d’une dérive de données sur un modèle en production
• Exercice récapitulatif : conception d’un mini-projet MLOps de bout en bout avec Azure ML et MLflow

Modalités et Inscription

Cette formation est proposée selon deux formules pour s'adapter au mieux à vos besoins :

Session régulière

Des sessions sont organisées à intervalles réguliers. Demandez les prochaines dates planifiées pour vous inscrire à la prochaine session.

Sur mesure & intra-entreprise

Vous souhaitez former vos équipes directement dans vos locaux ou adapter le programme technique à votre contexte d'entreprise ? Contactez-nous pour obtenir un devis personnalisé.