MLOps

Ce cours s’adresse aux étudiants en informatique, aux data scientists, aux architectes IA souhaitant faire de la gestion de projet pour déployer et migrer des architectures IA avec leurs données. Il s’adresse à des professionnels et étudiants ayant déjà une certaine expérience ou connaissance dans le domaine de l’Intelligence Artificielle, du Machine Learning, de la gestion de projet ou des technologies DevOps.

La formation vise à fournir des compétences en MLOps, gestion de projets IA, déploiement de modèles, administration d’infrastructures avec Docker et Kubernetes, ainsi que la surveillance et la fiabilité des systèmes en production. Les étudiants sauront définir et expliquer les enjeux fondamentaux du MLOps, comme la fiabilité, la scalabilité, la gestion des versions et la collaboration entre data scientists et opérations.

Les étudiants maîtriseront le cycle de vie d’un projet de Machine Learning, depuis la collecte des données jusqu’au monitorage en production, en intégrant des pratiques d’intégration et de déploiement continus (CI/CD). Ils seront capables de concevoir et mettre en place une architecture de déploiement utilisant Docker et Kubernetes, en gérant le stockage persistant, la scalabilité automatique, et la résilience des systèmes. Ils comprendront également les méthodes avancées de gestion de projet, notamment pour planifier efficacement leurs projets. Ils sauront utiliser des outils collaboratifs comme Jira, Trello, Notion, Confluence et Git pour organiser leur travail et assurer une documentation continue. La maîtrise de la gestion des données, du versioning avec DVC, Git, et l’automatisation de pipelines de traitement seront également maîtrisées.

Ils seront formés à la surveillance proactive grâce à Prometheus, Grafana et ELK Stack, pour assurer la haute disponibilité et la résilience de leurs déploiements. Ils pourront orchestrer la scalabilité et la fiabilité des systèmes via Kubernetes, en configurant l’auto-scaling, la gestion des pannes, la sauvegarde, la restauration et la sécurité. Ils disposeront de compétences concrètes pour déployer, surveiller et maintenir efficacement des solutions de Machine Learning à grande échelle dans un environnement professionnel, en adoptant les meilleures pratiques de DevOps et DataOps.