Public visé
Ingénieurs MLOps souhaitant déployer et surveiller les modèles ML dans AWS, ingénieurs DevOps chargés de maintenir les modèles en production.
Prérequis
- Formation AWS Fondamentaux
- Formations DevOps Engineering on AWS et Practical Data Science with Amazon SageMaker ou connaissances équivalentes
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 et environnements
Introduction MLOps
- Processus, personnel, technologie, sécurité
- Modèle de maturité MLOps
Environnements d’expérimentation
- SageMaker Studio
Référentiels
- Gestion des données, contrôle de version modèles et code
Orchestration
- SageMaker Pipelines
Jour 2 : Orchestration avancée et scaling
Orchestration avancée
- AWS Step Functions, SageMaker Projects
- Outils tiers et gouvernance
Scaling et tests
- Stratégies multi-comptes
- Déplacement de trafic
- SageMaker Inference Recommender
Jour 3 : Surveillance et maintenance
Surveillance et maintenance
- Considérations opérationnelles
- Détection et remédiation des dérives
- Dépannage des pipelines ML
Modalités d’évaluation des acquis
- En cours de formation, par des travaux pratiques
- Et, en fin de formation, par un questionnaire d’auto-évaluation