Python et MLflow - 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 ?
• Business Intelligence vs Business Analytics
• Du Data Warehouse au Data Lake et au Lakehouse
• 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
• Plateformes et outils de MLOps
• Qu'est-ce que MLflow ?

Exemple de travaux pratiques (à titre indicatif)

• Mise en pratique : développer un premier modèle avec MLflow

Jour 2

Démarrer avec MLflow

• MLflow Projects
• MLflow Tracking
• MLflow Models
• MLflow Model Registry

Exemple de travaux pratiques (à titre indicatif)

• Création d'un premier pipeline avec MLflow

Développement du modèle et expérimentations

• Définir l'expérimentation : explorer le jeu de données
• Ajouter des expérimentations : étapes pour concevoir un classificateur logistique
• Comparer différents modèles
• Affiner le modèle en optimisant les hyperparamètres
• Gérer les signatures et schémas des modèles
• Ajouter le meilleur modèle au Model Registry
• Gérer le cycle de vie de développement du modèle

Jour 3

Le Machine Learning en production

• Comprendre les challenges des systèmes et projets de ML
• Plateformes de ML : Michelangelo, Kubeflow
• Spécifier l'architecture d'une plateforme de ML
• Architecture des systèmes de haut niveau
• MLflow et les autres outils de l'écosystème

Jour 4

Préparer les données et entraîner le modèle

• Structurer le pipeline de données du projet
• Sourcer les données
• Vérifier la qualité des données
• Générer l'ensemble des attributs et des données d'apprentissage
• Exécuter le pipeline de bout-à-bout
• Utiliser les feature stores
• Créer le projet d'apprentissage avec MLflow
• Implémenter le job d'apprentissage
• Evaluer le modèle
• Déployer le modèle dans le Model Registry
• Créer une image Docker pour le job d'apprentissage

Jour 5

Déploiement et inférence avec MLflow

• Créer un Model Registry local
• Créer un job batch d'inférence
• Créer un process d'API pour l'inférence
• Déployer les modèles pour du scoring batch dans Kubernetes
• Réaliser un déploiement sur le Cloud avec AWS SageMaker

Mettre à niveau le workflow de ML

• Intégrer MLflow avec Spark
• Intégrer MLflow avec NVIDIA RAPIDS (GPU)
• Suivre la performance des modèles en production
• Monitoring du Data Drift, du Model Drift, et du Target Drift
• Monitoring et alertes de l'infrastructure

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