Introduction au MLOps
- Procédures.
- Acteurs.
- Technologies.
- Sécurité et gouvernance.
- Modèle de maturité MLOps.
MLOps initial - Environnements d’expérimentation dans SageMaker Studio
- Intégrer le MLOps à la phase d’expérimentation.
- Configuration de l’environnement ML.
- Démo : création et mise à jour d’une configuration de cycle de vie dans SageMaker Studio.
- Workbook : MLOps initial.
Travaux pratiques
Déploiement d’un environnement SageMaker Studio via le Service Catalog AWS
MLOps reproductible - Repositories
- Gestion des données pour le MLOps.
- Gestion des versions des modèles ML.
- Repositories de code pour le ML.
MLOps reproductible - Orchestration
Démonstration
Orchestrer la création de modèles avec SageMaker Pipelines
MLOps reproductible - Orchestration (suite)
- Orchestration de bout en bout avec AWS Step Functions.
- Orchestration complète avec SageMaker Projects.
- Démo : standardiser un pipeline ML de bout en bout avec SageMaker Projects.
- Utilisation d’outils tiers pour assurer la reproductibilité.
- Démo : intégration de l’humain dans la boucle lors de l’inférence.
- Gouvernance et sécurité.
- Démo : bonnes pratiques de sécurité avec SageMaker.
- Workbook : MLOps reproductible.
Travaux pratiques
Automatiser un workflow avec Step Functions
MLOps fiable - Scalabilité et tests
- Stratégies de montée en charge et multi-comptes.
- Tests et répartition du trafic.
- Démo : utilisation de SageMaker Inference Recommender.
Travaux pratiques
Test de variantes de modèles
MLOps fiable - Scalabilité et tests (suite)
- Workbook : stratégies multi-comptes.
Travaux pratiques
Gestion de la répartition du trafic
MLOps fiable - Supervision
- Importance de la supervision en machine learning.
- Enjeux opérationnels liés à la supervision des modèles.
- Résolution des problèmes détectés par la supervision.
- Workbook : MLOps fiable.
- Atelier pratique : construire et dépanner un pipeline ML.
Travaux pratiques
Surveiller un modèle pour détecter une dérive des données
3j
- 21h 
