Data Engineering & MLOps Expert

MLOps — Déployer et Monitorer ses Modèles

Industrialisez vos modèles ML : de l'expérimentation à la production avec les pratiques MLOps.

3 jours (21h)

Durée

Expert

Niveau

Inter-entreprise

1 890 €

par personne · HT

Intra-entreprise

2 200 €/jour

forfait groupe · HT

À propos de cette formation

La majorité des modèles ML ne passent jamais en production. MLOps résout ce problème en appliquant les pratiques DevOps au cycle de vie du machine learning : versioning des données et modèles, CI/CD ML, serving, monitoring de la dérive. Cette formation couvre l'intégralité du pipeline MLOps avec des outils concrets : MLflow, DVC, BentoML, Evidently et GitHub Actions.

Objectifs pédagogiques

✓
Structurer un projet ML pour la reproductibilité (DVC, MLflow)
✓
Construire un pipeline CI/CD pour le ML
✓
Déployer des modèles avec FastAPI et BentoML
✓
Monitorer la dérive des données et des modèles
✓
Implémenter A/B testing et canary deployments pour le ML

Programme détaillé

1 Fondements MLOps

— ML lifecycle : expérimentation → production
— Versioning données et modèles avec DVC
— MLflow : tracking, registry, projects

2 CI/CD pour le ML

— GitHub Actions pour l'entraînement automatique
— Tests ML : données, modèle, performance
— CML (Continuous Machine Learning)

3 Serving de modèles

— FastAPI pour les APIs ML
— BentoML : packaging et déploiement
— Docker et Kubernetes pour le ML

4 Monitoring

— Data drift avec Evidently AI
— Model performance monitoring
— Alertes et retraining automatique

Public cible

Data scientists et ML engineers souhaitant industrialiser leurs modèles.

Prérequis

Machine Learning Scikit-learn ou équivalent. Docker. Git avancé.

Demander un devis

Un conseiller vous recontacte sous 24h.