Numérique & IA

Formation MLOps / LLMOps – Industrialisez vos projets IA

Proposée par DataScientest

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 le cycle de vie de vos modèles avec Docker, MLflow, Kubernetes et CI/CD, pour un passage en production maîtrisé.

À l'issue de la formation, vous serez capable de

  • Construire, déployer et sécuriser une API avec FastAPI
  • Gérer, orchestrer et automatiser des tâches au sein d'applications
  • Monitorer des modèles d'IA utilisés en production
  • Industrialiser le cycle de vie des modèles, de l'entraînement au déploiement
  • Utiliser les outils du MLOps: Docker, MLflow, Airflow, Kubernetes, DVC, Prometheus

Programme

Fondamentaux du MLOps

  • Fondamentaux des APIs FastAPI: introduction aux APIs via Python, méthodes HTTP, intégration des données, performances et requêtes asynchrones
  • Linux et Bash: présentation des systèmes Linux, prise en main d'un terminal, mise en place de scripts Bash
  • Git GitHub: introduction à Git, concepts (branch, tag, merge…), présentation de GitHub (fork, pull, issues…), GitHub Actions et exemples applicatifs

Isolation et réglementation

  • Docker: initiation à Docker et à la virtualisation, création d'une image via Dockerfile, manipulation des images et conteneurs, partage sur Docker Hub, utilisation de Docker Compose
  • EU AI Act Model Card: risques, sanctions et conformité de l'IA en Europe, standard de transparence via la Model Card, intégration MLOps de la documentation
  • Tests unitaires (optionnel): mise en place de tests unitaires avec Pytest, introduction aux tests d'intégration
  • Sécurisation des APIs (optionnel): gestion des API Keys, authentification HTTP basique, utilisation des JSON Web Tokens, création de requêtes HTTPS

Architecture

  • Introduction à MLflow: présentation de l'architecture MLflow, MLflow Tracking, Projects, Models et Registry, gestion du cycle de vie d'un projet de Machine Learning
  • Conception des systèmes ML: fondamentaux des patterns d'inférence (serving), inférence scalable avec les microservices, patterns d'entraînement et de cycle de vie, assurance qualité et déploiement sécurisé
  • Prompt Engineering (optionnel): acculturation à l'IA générative, ChatGPT, prompts et bonnes pratiques, workflow et automatisation

Expérimentation et versioning

  • NGINX: reverse proxy, load balancing, sécurité, monitoring et patterns avancés
  • DVC DagsHub: maîtrise de Data Version Control (DVC), collaboration centralisée avec DagsHub, automatisation et reproductibilité des pipelines, intégration aux workflows de développement
  • Weights & Biases (optionnel): gestion et suivi d'expérimentations (Experiment Tracking), intégration avec les frameworks standards, reporting collaboratif et tableaux de bord, optimisation du cycle de vie du modèle

Pipeline Serving

  • Airflow: présentation des principes de l'orchestration, graphes orientés acycliques (DAG), gestion des tâches via des Operators spécifiques, monitoring des DAGs via l'interface graphique
  • MinIO: fondamentaux de l'Object Storage, déploiement et configuration de MinIO, utilisation de MinIO et de l'API S3, cas d'usage et intégration MLOps
  • BentoML: architecture et cycle de vie BentoML, conteneurisation automatisée avec Docker, optimisation de l'inférence (Model Serving), stratégies de déploiement scalables
  • Prefect (optionnel): bases et flows avec Prefect, architecture et déploiement, étude de cas MLOps
  • Elasticsearch (optionnel): architecture et fondamentaux du moteur de recherche distribué, structuration via le mapping, ingestion et prétraitement des données, analyse textuelle avancée

Monitoring et qualité

  • Prometheus Grafana: utilité du monitoring pour le MLOps, utilisation de Prometheus Query Language, création de dashboards avec Grafana, intégration dans un environnement de production
  • Drift monitoring: compréhension et identification des dérives, stratégies de réponse et de remédiation, mise en œuvre avec Evidently, automatisation de la surveillance
  • Kafka (optionnel): événements, hub d'événements et topics, Data Product Data Consumer, Brokers, Pub/Sub

Scaling Production

  • LocalStack: émulation des services cloud (AWS), workflow de développement accéléré, Infrastructure as Code (IaC) en local, intégration CI/CD et tests automatisés
  • Kubernetes: déploiement et gestion de conteneurs, orchestration et microservices complexes, gestion de la montée en charge (scalabilité), résilience et auto-réparation
  • ZenML: principes de base et gestion d'expériences, tracking et suivi opérationnel, écosystème et intégration multi-outils, abstraction de l'infrastructure (stacks)

Questions fréquentes

Combien de temps dure la formation ?

Elle se déroule sur 5 mois à temps partiel, avec un projet de 80 heures encadré par un mentor.

Comment se déroule-t-elle : à distance ou en présentiel ?

La formation est 100 % en ligne. Vous alternez entre des périodes d'apprentissage sur une plateforme interactive et des masterclasses animées par un professeur expert, accessibles en visioconférence.

À quoi sert cette formation ?

Elle prépare au métier d'ingénieur MLOps ou LLMOps : vous apprenez à industrialiser le cycle de vie des modèles d'IA, de l'entraînement au déploiement, en utilisant des outils comme Docker, MLflow, Kubernetes et CI/CD.

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.

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.
Estimer mon reste à charge Lire le guide : France Travail et AIF Découvrir le métier : MLOps

DataScientest

Liora, anciennement DataScientest, forme aux métiers de la tech pour les particuliers, les étudiants en alternance et les entreprises. Ses parcours, notamment dans la data, le machine learning et la cybersécurité, se suivent en bootcamp ou à distance avec des formateurs experts.

Découvrir le centre

Quelle formation cherchez‑vous ?