Google Cloud - Concevoir, déployer et surveiller un pipeline MLOps

Jour 1

Fondamentaux

• Qu'est-ce qu'une donnée ?
• Cycle de vie d'une donnée
• Cycle de vie de la Data Science
• Evolution des analytiques
• Apports des analytiques et du Cloud
• Qu'est-ce qu'une organisation Data Driven ?
• Gouvernance et qualité des données
• Lean, Agilité et DevOps, MLOps appliqués aux données
• Conteneurisation et architectures micro-services
• Apports de MLOps
• Workflow de MLOps
• DevOps vs DataOps vs MLOps
• Machine Learning et opérations : briser le mur de la confusion
• Constituer et former une équipe MLOps
• Google Cloud Platform

Exemple de travaux pratiques (à titre indicatif)

• Mise en pratique : création d'un pipeline MLOps simple

Ingérer des données dans Google Cloud

• Séparation du calcul et du stockage
• Ingérer des données
• Charger des données dans Google BigQuery
• Déployer, invoquer, et planifier Cloud Run

Jour 2

Données de streaming : publier et ingérer avec Pub/Sub et Dataflow

• Concevoir l'Event Feed
• Publier un Event Stream sur Cloud Pub/Sub
• Traitement en temps réel
• Tableau de bord en temps réel

Exploration des données interactive avec Vertex AI Workbench

• Analyse exploratoire des données avec SQL
• Analyse exploratoire avec Vertex AI Workbench
• Evaluation du modèle

Jour 3

Classification bayésienne avec Apache Spark sur Cloud Dataproc

• Introduction à Google Cloud Dataproc
• Utilisation de Spark SQL
• Classification bayésienne
• Orchestration
• Spark en serverless

Régression logistique avec Spark ML

• Régression logistique avec Spark
• Ingénierie des attributs
• Sélection de variables
• Transformation de variables
• Données catégorielles

Jour 4

Machine Learning avec BigQuery ML

• Régression logistique avec BigQuery ML
• Machine Learning non-linéaire avec XGBoost

ML avec TensorFlow dans Vertex AI

• Vers des modèles plus complexes
• Apprentissage et évaluation avec Keras
• Modèles larges et profonds avec Keras
• Déployer un modèle TensorFlow entraîné dans Vertex AI
• Invoquer le modèle déployé

Jour 5

Attributs à fenêtre temporelle pour du ML en temps réel

• Réaliser le fenêtrage temporel avec Apache Beam et Cloud Dataflow
• Apprentissage du modèle
• Streaming des prédictions
• Pipeline de streaming avec écriture dans BigQuery

Mettre en place MLOps dans Vertex AI

• Développer et déployer avec Python
• Utiliser AutoML
• Optimiser les hyperparamètres
• Expliquer le modèle avec des métadonnées
• Créer et déployer le modèle
• Surveiller le modèle

Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.

Modalités d’évaluation des acquis

• En cours de formation, par des études de cas ou des travaux pratiques
• Et, en fin de formation, par un questionnaire d'auto-évaluation