- Durée
- 5 mois
- Lieu
- À distance
- Format
- Distanciel
- Niveau
- Tout public
Ce que vous allez apprendre
Vous voulez passer du prototype au déploiement fiable ? Cette formation vous apprend à automatiser et standardiser le cycle de vie de vos modèles d'intelligence artificielle, de l'entraînement à la production, avec des outils comme Docker, MLflow ou Kubernetes.
À l'issue de la formation, vous serez capable de
- Construire, déployer et sécuriser une API pour exposer vos modèles
- Gérer, orchestrer et automatiser des tâches au sein des applications
- Monitorer des modèles d'IA utilisés en production
- Industrialiser le déploiement de modèles avec Docker, MLflow et des pipelines CI/CD
- Mettre en place une infrastructure scalable et résiliente avec Kubernetes
Programme
Fondamentaux du MLOps
- Introduction aux APIs via Python
- Présentation des différentes méthodes HTTP et de leurs fonctions
- Intégration des données via FastAPI
- Performances et requêtes asynchrones
- Présentation des systèmes Linux
- Prise en main et utilisation d'un terminal
- Mise en place de scripts Bash
- Introduction au système de gestion de version Git
- Repo et concepts Git (branch, tag, merge…)
- Présentation de la plateforme et des fonctionnalités de GitHub (fork, pull, issues…)
- GitHub Actions et exemples applicatifs
Isolation et réglementation
- Initiation au fonctionnement de Docker et à la virtualisation
- Création d'une image Docker via Dockerfile
- Manipulation des images et des conteneurs
- Partage des images sur Docker Hub
- Utilisation de Docker Compose
- Risques, sanctions et conformité de l'IA: focus sur l'Europe
- Standard de transparence via la Model Card
- Intégration MLOps de la documentation
- Mise en place de tests unitaires avec Pytest (optionnel)
- Introduction aux tests d'intégration et à leurs fonctions (optionnel)
- Gestion des API Keys (optionnel)
- Authentification HTTP basique (optionnel)
- Utilisation des JSON Web Tokens (optionnel)
- Création de requêtes HTTPS (optionnel)
Architecture
- Présentation de l'architecture MLflow
- MLflow Tracking, Projects, Models et Registry
- Gestion du cycle de vie d'un projet de Machine Learning
- Fondamentaux des patterns d'inférence (serving)
- Inférence scalable avec les microservices
- Patterns d'entraînement et de cycle de vie
- Assurance qualité et déploiement sécurisé
- Acculturation à l'IA générative (optionnel)
- ChatGPT, prompts et bonnes pratiques (optionnel)
- Workflow et automatisation (optionnel)
Expérimentation et versioning
- Reverse proxy
- Load balancing
- Sécurité, monitoring et patterns avancés
- Maîtrise de Data Version Control (DVC)
- Collaboration centralisée avec DagsHub
- Automatisation et reproductibilité des pipelines
- Intégration aux workflows de développement
- Gestion et suivi d'expérimentations (Experiment Tracking) (optionnel)
- Intégration avec les frameworks standards (optionnel)
- Reporting collaboratif et tableaux de bord (optionnel)
- Optimisation du cycle de vie du modèle (optionnel)
Pipeline Serving
- Présentation des principes de l'orchestration et de leur utilité
- Graphes orientés acycliques ou DAG (Directed Acyclic Graphs)
- Gestion des tâches par le biais d'Operators spécifiques
- Monitoring des DAGs via l'interface graphique d'Airflow
- Fondamentaux de l'Object Storage
- Déploiement et configuration de MinIO
- Utilisation de MinIO et de l'API S3
- Cas d'usage et intégration MLOps
- Architecture et cycle de vie BentoML
- Conteneurisation automatisée avec Docker
- Optimisation de l'inférence (Model Serving)
- Stratégies de déploiement scalables
- Les bases et les flows avec Prefect (optionnel)
- Architecture et déploiement (optionnel)
- Étude de cas MLOps avec Prefect (optionnel)
- Architecture et fondamentaux du moteur de recherche distribué (optionnel)
- Structuration via le mapping (optionnel)
- Ingestion et prétraitement des données (optionnel)
- Analyse textuelle avancée (optionnel)
Monitoring et qualité
- Comprendre l'utilité du monitoring pour le MLOps
- Utilisation de Prometheus Query Language
- Création de dashboards avec Grafana
- Intégration dans un environnement de production
- Compréhension et identification des dérives
- Stratégies de réponse et de remédiation
- Mise en œuvre avec Evidently
- Automatisation de la surveillance
- Événements, hub d'événements et topics (optionnel)
- Data Product Data Consumer (optionnel)
- Brokers, Pub/Sub (optionnel)
Scaling Production
- Émulation des services cloud (AWS)
- Workflow de développement accéléré
- Infrastructure as Code (IaC) en local
- Intégration CI/CD et tests automatisés
- Déploiement et gestion de conteneurs
- Orchestration et microservices complexes
- Gestion de la montée en charge (scalabilité)
- Résilience et auto-réparation
- Principes de base et gestion d'expériences
- Tracking et suivi opérationnel
- Écosystème et intégration multi-outils
- Abstraction de l'infrastructure (stacks)
Pour qui ?
Prérequis
Public: Cette formation s'adresse aux personnes souhaitant devenir ingénieur MLOps ou LLMOps.
Questions fréquentes
Combien de temps dure la formation ?
La formation se déroule sur 5 mois à temps partiel, avec un projet de 80 heures encadré par un mentor.
À qui s'adresse cette formation ?
Elle est conçue pour les personnes qui souhaitent devenir ingénieur MLOps ou LLMOps, en automatisant et standardisant le cycle de vie des modèles IA.
Comment se déroule la formation ?
Elle est 100 % en ligne, avec des périodes d'apprentissage sur une plateforme interactive et des masterclasses animées par un professeur expert, accessibles en visioconférence.
Peut-on la financer ?
Elle n’est pas indiquée comme éligible au CPF, mais France Travail ou votre employeur peuvent la financer selon votre situation.
Quels sont les prérequis ?
Public : Cette formation s'adresse aux personnes souhaitant devenir ingénieur MLOps ou LLMOps.
Comment payer cette formation ?
- Votre CPFCette formation n’est pas indiquée comme éligible au CPF. Le centre vous dira si une autre version l’est.
- Si vous cherchez un emploiFrance Travail peut financer tout ou partie de la formation avec l’aide individuelle à la formation (AIF), si elle vous aide à retrouver un poste.
- Si vous êtes salarié(e)Votre employeur peut la prendre en charge dans son plan de formation, souvent avec l’aide de son OPCO.

Liora
Liora, anciennement DataScientest, propose des formations aux métiers de la tech, notamment la data science, l'analyse de données, le machine learning et l'administration systèmes, réseaux, cloud et cybersécurité.
Découvrir le centreChez Liora, aussi

Éligible CPF
Éligible CPFFormations similaires
Éligible CPF
Éligible CPF