La formation Machine Learning et Data Science permet d’acquérir une vision complète du cycle de vie des modèles d’intelligence artificielle, depuis leur conception jusqu’à leur mise en production. Les participants apprennent à mettre en œuvre, surveiller et entretenir des modèles de Machine Learning et de Data Science dans des situations concrètes, tout en incorporant les meilleures pratiques de DevOps et MLOps.
- Développeurs
- Data Scientists
- Ingénieurs Machine Learning
- Data Engineers / Data Ops
- Notions en Python
- Bases en statistiques
- Notions en Machine Learning
- Compréhension des systèmes Linux
- Déployer des modèles de Machine Learning en production
- Mettre en place le monitoring des modèles
- Gérer le cycle de vie des modèles (retrain, update)
- Mettre en œuvre les meilleures pratiques de MLOps et CI/CD
Programme de la formation
Industrialiser et superviser des modèles de Machine Learning en production.
Maîtriser le déploiement, le monitoring et la gestion des modèles en environnement de production.
Contenu
- Introduction et rappels
- Les objectifs du machine learning : résoudre un problème
- Rappels de l’écosystème Data Science : langages, outils et pratiques
- Les raisons des échecs des passages en production
- Les principales difficultés rencontrées pour la mise en production de modèles
- État de l’art de l’organisation des projets de Data Science
- Qui déploie les modèles et comment ?
- Les différents rôles : le data scientist, le data engineer, le data ops
- Les limites à cette organisation sur la réussite des projets data
- État de l’art des solutions logiciels de déploiement de modèles de Machine Learning
- État de l’art : des déploiements sans outillage
- Limites techniques et coûts élevés
- Maintenabilité complexe
- Un exemple avec Tensorflow, PyTorch, scikit-learn, Python, Java
- Un exemple dans le Cloud (AWS, GCP, Azure)
- Les bonnes pratiques liées aux métiers afin de réduire les risques d’échec
- Des critères d’acceptabilité (user acceptance) obligatoires par le métier : le premier pré-requis
- Des moyens de tester les algorithmes avec les métiers tous les deux jours
- Une communication permanente entre data scientist, data ops, IT, métiers…
- Identifier les données requises et leurs disponibilités
- Des solutions techniques pour faciliter et améliorer les déploiements
- De nouveaux outils et logiciels : TFX, Mlfow, Kubeflow, Cloudera Data Science Workbench, Dataiku
- De nouvelles compétences : l’ingénieur machine learning, le data ops
- L’importance du choix d’un framework sur la continuité, la maintenabilité et l’utilisation d’un modèle
- Nouveaux métiers et profils : de nouvelles compétences
- L’ingénieur machine learning
- Le data ops
- Le choix des outils
- État de l’art des outils / frameworks utilisés par les grandes sociétés (CAC40, grandes startups, GAFAM)
- Comment choisir un framework de Machine Learning ou de Data Science
- Impacts sur les coûts des projets
- Estimer le coût des outils (in)existants sur le projet
- Estimer le coût des outils de collaboration, de déploiement, de monitoring, etc. sur les projets data
- Les critères d’un bon modèle pour la production
- Portabilité du modèle
- Scalabilité
- Utilisabilité par les applications métiers
- Testabilité
- Les différents formats des modèles
- Pickle
- ONNX
- PMML
- POJO & MOJO
- Déployer en production
- Entraîner le modèle en production : batch training, real time training
- Batch vs real-time prediction : impacts sur les performances, les évaluations, les infrastructures et les coûts
- Monitorer et mesurer les écarts en production
- Entraîner de façon continue les modèles (retrain, re-score, re-validate)
- Mesurer le drift des modèles (automated model checking)
- Remplacer l’ancien modèle en production par le nouveau modèle amélioré
- Mesurer la réussite d’un déploiement en production
- Comment mesurer la réussite d’un déploiement ?
- La mesure de la réussite des déploiements en CI sur un projet data
- Les métriques
Cette formation Machine Learning et Data Science permet de passer de la théorie à l’industrialisation réelle des modèles IA en environnement professionnel. Elle représente une base solide pour évoluer vers les métiers de Data Engineer, Data Scientist ou MLOps Engineer. Pour aller plus loin, explorez nos formations en Machine Learning, Data Science, Big Data, IoT et IA
