1. Enjeux de l’industrialisation & concepts du MLOps
Le processus d’industrialisation d’un modèle de data science et ses écueils
Cycle de vie d’un modèle de machine learning
Revue des risques et des difficultés
Introduction et comparaison avec le DevOps
Eléments clés du MLOps : agilité, chaîne d’outils, tests, supervision
2. Agilité en data science
Revue rapide de l’application des pratiques agiles en data science
3. Outillage du MLOps
Revue d’une chaîne de déploiement continue
Adaptation à la gestion du cycle de vie d’un modèle de machine learning
Présentation d’une solution de référence : mlflow. Revue des autres solutions
4. Pratique des tests en data science
Rappel des objectifs et des différents types de tests
Transposition au cas particulier de la data science et des modèles de machine learning
5. Supervision des modèles
Mesure de la performance, suivi de la qualité
6. Atelier pratique
Déploiement d’une architecture cloud complète pour couvrir l’ensemble du cycle de vie d’un modèle, sur un cas classique de machine learning (1 jour)
