AWS : MLOps Engineering Mixte : présentiel / à distance

Ce cours étend les pratiques DevOps répandues dans le développement de logiciels au domaine de la Data Science. 

Ainsi, vous pourrez entraîner et déployer des modèles d'apprentissage automatique (Machine Learning) tout en suivant leur performance dans le temps, et ainsi obtenir un système de Data Science en production.

Cette formation met l'accent sur l'importance des données, du modèle et du code pour la réussite des modèles de ML en production. Vous découvrirez les  différents outils et processus d'automatisation ainsi que de la méthodologie et de l'organisation d'équipe pour gérer tout le cycle de vie d'un projet de Data Science.

• S'approprier les notions d'Ops, de DevOps et de MLOps
• Créer un pipeline automatisé pour entraîner et déployer en production un modèle de ML
• Interagir avec son modèle de ML déployé
• Découvrir les différentes stratégies de déploiement et de scaling
• Détecter les drifts de son modèle de ML
• Mesurer la performance de son modèle de ML

• Data Scientist
• Data Engineer
• Machine Learning Engineer 
• Ingénieur Devops

• Avoir suivi la formation "AWS : Notions techniques Amazon Web Services de base" (AWS00) ou posséder un niveau d'expérience équivalent.
• Avoir suivi la formation "Fondamentaux de la Data Science" (DSFDX)" ou savoir modéliser et développer un problème de Data Science simple.

Cette formation est dispensée par un·e ou plusieurs consultant·es d'OCTO Technology ou de son réseau de partenaires, expert·es reconnus des sujets traités.

Le processus de sélection de nos formateurs et formatrices est exigeant et repose sur une évaluation rigoureuse leurs capacités techniques, de leur expérience professionnelle et de leurs compétences pédagogiques.

Par ailleurs, pour animer cette formation, nos intervenant·es doivent répondre aux critères imposés par Amazon Web Services

L'évaluation des acquis se fait tout au long de la session au travers des ateliers et des mises en pratique.

Afin de valider les compétences acquises lors de la formation, un formulaire d'auto-positionnement est envoyé en amont et en aval de celle-ci.

En l'absence de réponse d'un ou plusieurs participants, un temps sera consacré en ouverture de session pour prendre connaissance du positionnement de chaque stagiaire sur les objectifs pédagogiques évalués.

Une évaluation à chaud est également effectuée en fin de session pour mesurer la satisfaction des stagiaires et un certificat de réalisation leur est adressé individuellement.

Jour 1

INTRODUCTION

INTRODUCTION A LA NOTION DE MLOPS

• Objectifs du MLOps
• Communication entre les équipes
• De DevOps à MLOps
• ML Workflow
• Scope
• Cas MLOps

DÉVELOPPEMENT MLOPS

• Introduction pour créer, entraîner et évaluer des modèles d'apprentissage automatique
• Sécurité MLOps
• Automatisation
• Apache Airflow
• Intégration Kubernetes pour MLOps
• Amazon SageMaker pour MLOps
• Lab : “Apporter son propre algorithme à un pipeline MLOps”
• Démonstration : Amazon SageMaker
• Introduction pour créer, entraîner et évaluer des modèles d'apprentissage automatique
• Atelier : “Coder et server son modèle de ML avec AWS CodeBuild”
• Activité : MLOps Action Plan Workbook

Jour 2

DÉPLOIEMENT MLOPS

• Introduction aux opérations de déploiement
• Packaging du modèle
• Inférence
• Lab : “Déployer son modèle en production”
• Variantes d'environnements de production avec SageMaker
• Stratégies de déploiement
• Déploiement sur edge
• Laboratoire : “Effectuer des tests A/B"
• Activité : MLOps Action Plan Workbook

Jour 3

SURVEILLANCE ET OPÉRATIONS DU MODÈLE

• Atelier : “Résoudre les problèmes liés à son pipeline”
• L'importance du monitoring
• Surveillance dès la conception
• Lab : ”Surveiller son modèle de ML”
• Humain dans la boucle
• Monitorer les modèles avec Amazon SageMaker
• Démonstration : Amazon SageMaker Pipelines, Model Monitor, Model Registry et Feature Store
• Activité : MLOps Action Plan Workbook 

CONCLUSION

• Bilan de la formation
• Questions/réponses
• Evaluation

• Toutes nos formations Cloud
• Toutes nos formations sur la Data Science