Aller directement au contenu
Format : Stage pratique
Niveau Avancé
Répartition du temps : 40% exposés
50% pratique
10% échanges

La formation en détails

Description

L'industrialisation du code du projet de Data Science n'est qu'une étape parmi d'autres pour réaliser la mise en production du système et le faire évoluer. En effet, une fois ce premier pas franchi, il s'agira alors de mettre en place un mécanisme d'orchestration, mais aussi d'être capable de déployer régulièrement, et de suivre le comportement du système sur la durée.

 

Aujourd'hui encore, trop de modèles de Machine Learning ne sont pas déployés en production et demeurent dans les data labs. Une solution à ce problème consiste à réunir les équipes de data science et d'informatique autour du concept de MLOps.

 

Tout au long de cette formation, vous profiterez de la riche expérience de nos consultants-formateurs pour mettre en œuvre les pratiques de la Data Science en production.

Vous vous approprierez les outils et le processus transversal, collaboratif et itératif MLOps pour réduire le délai de votre mise sur le marché tout en améliorant continuellement la valeur ajoutée pour vos utilisateurs. Le MLOps prend notamment en charge l'intégration continue, ainsi que le déploiement rapide et reproductible des modèles.

Objectifs

  • S'approprier les pratiques MLOps pour industrialiser son projet de Machine Learning
  • Savoir découper un projet de Machine Learning en différentes briques et les organiser
  • Construire l'architecture applicative d'un projet Data Science
  • Déployer son application de Machine Learning en production et interagir avec
  • Maintenir un flux continu de données pour alimenter son application de Machine Learning
  • Mesurer et évaluer les performances de son application de Machine Learning

Public cible

  • Analyste
  • Statisticien
  • Data Scientist
  • Data Engineer
  • Machine Learning Engineer
  • Développeur

Prérequis

Modalités pédagogiques

Une formation alternant théorie et pratique durant laquelle les participants partent d'un modèle de machine learning construit par le formateur qu'ils vont amener en production, étape par étape, en découvrant l'ensemble des briques techniques à mettre en place.

Profil du formateur

Toutes nos formations sont animées par des consultants-formateurs expérimentés et reconnus par leurs pairs.

Modalités d'évaluation et de suivi

L'évaluation des acquis se fait tout au long de la session au travers des ateliers et des mises en pratique.

Afin de valider les compétences acquises lors de la formation, un formulaire d'auto-positionnement est envoyé en amont et en aval de celle-ci.

Une évaluation à chaud est également effectuée en fin de session pour mesurer la satisfaction des stagiaires et un certificat de réalisation leur est adressé individuellement.

Programme détaillé

Jour 1

CLARIFICATION DE L'APPROCHE MLOPS

 

INTRODUCTION À LA CI / CD

  • Les différents environnements nécessaires
  • L'intérêt de l'intégration continue et du déploiement continu
  • Les outils de CI / CD existants

 

PYRAMIDE DE TESTS

  • Description des différents types de tests
  • Focus sur les tests d'intégrations et fonctionnels
  • Présentation de framework de tests

 

MISE EN PRATIQUE : “METTRE EN PLACE UN OUTIL D'INTÉGRATION CONTINUE”

 

CLOUD & INFRASTRUCTURE AS CODE

  • Introduction au cloud et aux différents providers
  • Choix d'un cloud provider pour les travaux pratiques
  • Infrastructure as code, principe et découverte de Docker, Ansible et Terraform

 

ORCHESTRATION

  • Le besoin d'orchestration dans un système de Data Science
  • Présentation de différents orchestrateurs
  • Mise en pratique : ”Passer d'un script Python à une série de tâches orchestrées avec Airflow"

 

Jour 2

 

ARTEFACTS

  • Patterns d'architecture technique pour favoriser la mise en production et la maintenabilité du projet
  • Identification des artefacts (modèles, données, code…)
  • Cycles de vie des artefacts
  • Mise en pratique : mise en place de MLFlow

 

DÉPLOIEMENT

  • La démarche
  • Le couplage / découplage
  • Les stratégies de déploiement

 

EXPOSITION

  • Méthodes pour exposer un modèle de Data Science
  • Mise en pratique : “Interagir avec un modèle existant”

 

Jour 3

 

MISE EN PRATIQUE : “PASSER D'UN MODÈLE ONE-SHOT À UN MODÈLE QUI PRÉDIT TOUTES LES MINUTES”

  • A partir d'un flux de données disponibles, mettre en place les outils nécessaires pour faire une prédiction par minute

 

FEEDBACK LOOPS

  • L'intérêt des boucles de feedback
  • Identifier les différentes boucles de feedbacks
  • Mettre en place les différentes boucles de feedbacks

 

MONITORING

  • L'enjeu du monitoring
  • Les indicateurs à suivre
  • Les pratiques pour mettre en place un monitoring utile tout en respectant les contraintes de SLA

 

AMÉLIORATION CONTINUE

  • Choisir le bon moment pour réentraîner un modèle
  • Les stratégies à mettre en place pour s'assurer que le modèle en production est toujours pertinent
  • MLops
  • Qualité de données pour un projet de Machine Learning

 

BILAN ET CLÔTURE

  • Partage et retour d'expérience
  • Questions / réponses
  • Évaluation de la session

Ce qu'en disent les participants

4.50 / 5
Satisfaction moyenne
Sur la base de 20 avis, collectés en fin de formation durant les 12 derniers mois.
100 %
recommandent cette formation
Sur la base de 20 avis, collectés en fin de formation durant les 12 derniers mois.

Nos autres formations du domaine « MLOps » Toutes les formations du domaine

DSIND MLOps : industrialisation d’un projet de Data Science
Adopter les bonnes pratiques de développement pour la Data Science
Durée : 14 h / 2 j
Fondamentaux
 
 
 
 
Prochaine session : 10 juin 2024
DSIN3 MLOps : Run et évolutivité de modèles de Machine Learning
Savoir garantir la performance du modèle de Machine Learning dans la durée
Durée : 21 h / 3 j
Expert
 
 
 
 
Prochaine session : 24 juin 2024

Découvrez les profils métiers associés à cette formation

Data Scientist
La puissance prédictive au service des orientations stratégiques
Machine Learning Engineer
L'ingénierie logiciel au profit de vos projets de Data Science
Data Engineer
L'ingénierie de la donnée pour stimuler et favoriser l'innovation

Besoin d'aide pour trouver votre formation ?

Contactez-nous

Sessions & Inscriptions

Session partagée avec d'autres organisations

Prochaines sessions
  • du 17 au 19/06/2024
    Présentiel, Paris
    Session confirmée ✅
    2 500,00 € HT
  • du 07 au 09/10/2024
    Présentiel, Paris
    2 500,00 € HT
Durée
21 h / 3 j

Demander un devis Nous contacter
Télécharger le programme

Organiser une session dédiée à votre organisation

Durée
21 h / 3 j

Vous avez plusieurs collaborateurs à former ?

Cette formation peut être organisée
sous la forme de sessions dédiées
aux membres de votre organisation.

Demander un devis Nous contacter Télécharger le programme

Personnaliser cette formation

Cette formation vous intéresse
et vous souhaitez l'adapter pour
vos collaborateurs ?

Nos formateurs et notre équipe pédagogique sont à
votre disposition pour en discuter
et vous proposer un programme sur-mesure.

Nous contacter Télécharger le programme

OCTO Academy respecte votre vie privée

Ce site web stocke des informations vous concernant via le dépôt de cookie afin de mesurer l’audience du site. Ces données de navigation sont anonymisées.

En cliquant sur « OK pour moi », vous manifestez votre consentement pour le dépôt de ces cookies.

Lire la politique de confidentialité

À propos des cookies

Sur ce site, nous utilisons des cookies pour mesurer notre audience, entretenir la relation avec vous et vous adresser de temps à autre du contenu qualitif ainsi que de la publicité. Vous pouvez sélectionner ici ceux que vous autorisez à rester ici.

Cookies