Le passage du prototype a la production est le principal defi des projets Machine Learning. Cette formation vous apprend a mettre en oeuvre les pratiques MLOps sur AWS avec SageMaker : environnements d’experimentation, pipelines CI/CD, versionnement des modeles, surveillance des dérives et reapprentissage automatise, pour garantir la fiabilite de vos modeles en production.
Public visé
Ingénieurs MLOps souhaitant déployer et surveiller les modèles ML dans AWS, ingénieurs DevOps chargés de maintenir les modèles en production.
Objectifs pédagogiques
À l’issue de cette formation, vous serez capable de :
- Expliquer les avantages des MLOps et comparer avec DevOps
- Évaluer les exigences de sécurité et gouvernance pour les cas d’usage ML
- Mettre en place des environnements d’expérimentation SageMaker
- Décrire les bonnes pratiques de versionnement des actifs ML
- Créer des pipelines CI/CD en contexte ML
- Surveiller les solutions ML et automatiser le réapprentissage
Programme
Jour 1
Introduction à MLOps
- Processus
- Personnel
- Technologie
- Sécurité et gouvernance
- Modèle de maturité MLOps
MLOps initial - Environnements d’expérimentation dans SageMaker Studio
- Amener MLOps à l’expérimentation
- Configuration de l’environnement d’expérimentation ML
Travaux pratiques
- Création et mise à jour d’une configuration de cycle de vie pour SageMaker Studio
- Mise en service d’un environnement SageMaker Studio avec le catalogue de services AWS
MLOps répétables - Référentiels
- Gestion des données pour MLOps
- Contrôle de version des modèles ML
- Référentiels de code dans ML
MLOps répétables - Orchestration
- Pipelines ML
Travaux pratiques
- Utilisation de SageMaker Pipelines pour orchestrer les pipelines de création de modèles
Jour 2
MLOps répétables - Orchestration - Suite
- Orchestration de bout en bout avec AWS Step Functions
- Orchestration de bout en bout avec SageMaker Projects
- Utilisation d’outils tiers pour la répétabilité
- Gouvernance et sécurité
Travaux pratiques
- Automatisation d’un flux de travail avec Step Functions
- Standardisation d’un pipeline ML de bout en bout avec SageMaker Projects
- Exploration de la participation humaine pendant l’inférence
- Exploration des meilleures pratiques de sécurité pour SageMaker
MLOps fiables - Scaling et Tests
- Stratégies de Scaling and multi-comptes
- Tests et déplacements de trafic
Travaux pratiques
- Utilisation de SageMaker Inference Recommender
- Test de variantes du modèle
Jour 3
MLOps fiables - Scaling et Tests - Suite
Travaux pratiques
- Déplacement du trafic
MLOps fiables - Surveillance
- L’importance de la surveillance dans ML
- Considérations opérationnelles pour la surveillance des modèles
- Remédier aux problèmes identifiés par la surveillance des solutions ML
Travaux pratiques
- Surveillance d’un modèle pour détecter la dérive des données
- Création et dépannage d’un pipeline ML
Modalités d’évaluation des acquis
En cours de formation, par des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation.
Voir aussi
Vous serez peut-être intéressés par les formations suivantes :
Formation EAI-MLOPS-100 — AWS - MLOps Engineering. Domaine : Intelligence Artificielle. Niveau : Initiation. Durée : 3 jours (21 heures). Mots-clés : aws, mlops, machine-learning, sagemaker, devops, intelligence-artificielle. Cylian Formation, Dijon.