MLOps & Machine Learning End-To-End

Objectifs

• Comprendre le Machine Learning Lifecycle et positionner le MLOps par rapport au DevOps
• Appliquer le framework CALMS et les principes de craftsmanship au Machine Learning
• Cadrer un projet ML end-to-end : ML Canvas, value proposition, identification des risques

Au programme

• Machine Learning Lifecycle et positionnement du MLOps par rapport au DevOps
• Framework CALMS et principes de craftsmanship appliqués au ML
• ML Canvas, value proposition et identification des risques

Objectifs

• Appliquer le TDD au ML : tests unitaires, tests de pipeline, versioning et packaging
• Maîtriser les stratégies de déploiement : batch, temps réel, edge
• Comprendre le Feature Store et le serving à l'échelle

Au programme

• TDD appliqué au ML : tests unitaires, tests de pipeline, versioning et packaging
• Stratégies de déploiement : batch, temps réel, edge
• Feature Store et serving de modèles à l'échelle

Objectifs

• Monitorer la data (data drift, concept drift), l'infrastructure et les performances du modèle
• Mettre en place des feedback loops et des critères de ré-entraînement automatique
• Orchestrer des pipelines ML et gérer les artefacts (Model Registry, versioning)

Au programme

• Monitoring : data drift, concept drift, performances du modèle et infrastructure
• Feedback loops et critères de ré-entraînement automatique
• Orchestration de pipelines ML et gestion des artefacts (Model Registry, versioning)

Objectifs

• Implémenter le data versioning (DVC, LakeFS) et l'experiment tracking (MLflow, W&B)
• Construire une CI/CD spécifique ML avec la pyramide de tests adaptée
• Capitaliser sur les expériences passées via un knowledge repository

Au programme

• Data versioning (DVC, LakeFS) et experiment tracking (MLflow, W&B)
• CI/CD spécifique ML et pyramide de tests adaptée
• Knowledge repository : capitaliser sur les expériences passées