Objectifs pédagogiques
À l'issue de la formation, le stagiaire sera capable de :
- Structurer un projet de machine learning reproductible
- Suivre les expériences et versionner les modèles avec MLflow
- Exposer un modèle par une API (FastAPI) et le conteneuriser avec Docker
- Automatiser tests et déploiement (intégration continue)
- Superviser un modèle en production et déclencher son réentraînement
Public visé
- Data scientists, data engineers, développeurs et DevOps
- Équipes dont les modèles peinent à passer du prototype à la production
Prérequis
- Pratique de Python et du machine learning
- Notions de Git et de ligne de commande
Programme
Jour 1 — Reproductibilité et suivi
Pourquoi le MLOps
- Du notebook à la production : les écueils
- Rôles et outils
Structurer le projet
- Organisation du code, environnements, dépendances, Git
- Tests des données et des modèles
MLflow
- Suivi des expériences, paramètres et métriques
- Registre de modèles et cycle de vie
Jour 2 — Déployer et superviser
Servir un modèle
- API avec FastAPI, conteneur Docker
- Traitement par lots ou en temps réel
Automatiser
- Intégration et déploiement continus (GitHub Actions)
- Orchestration des réentraînements
Superviser
- Dérive des données et des performances
- Alertes, journalisation, gouvernance des modèles
- Projet final
Méthodes pédagogiques
- Possibilité de travailler sur les données des participants (en intra, après accord)
- Supports de cours, codes source et corrigés remis aux participants
- Formation dispensée par un consultant data et IA qui conçoit et met en production ce qu'il enseigne
Modalités d'évaluation
- Questionnaire de positionnement en début de formation
- Exercices pratiques corrigés tout au long de la formation
- Projet final : chaîne MLOps complète, de l'entraînement au déploiement
- Questionnaire de satisfaction à chaud
Accessibilité
Formation accessible aux personnes en situation de handicap. Contactez-nous en amont (contact@dcid-consulting.fr) afin d'étudier ensemble les adaptations nécessaires.