Développer un assistant conversationnel avec Rasa et LlamaIndex
Cette formation avancée vous prépare à concevoir et déployer un assistant conversationnel intelligent en maîtrisant Rasa et LlamaIndex.…
Intelligence artificielle (IA)
Gestion du cycle de vie des modèles avec MLflow
Cette formation Gestion du cycle de vie des modèles avec MLflow s’adresse aux data scientists, ingénieurs ML et développeurs souhaitant maîtriser l’orchestration complète de leurs projets machine learning. Vous apprendrez…
Description de la formation
Cette formation Gestion du cycle de vie des modèles avec MLflow s’adresse aux data scientists, ingénieurs ML et développeurs souhaitant maîtriser l’orchestration complète de leurs projets machine learning. Vous apprendrez à mettre en place un suivi rigoureux des expériences, à gérer les versions de modèles et à déployer efficacement en production.
Au cœur de cette formation avancée de 14 heures, vous découvrirez comment MLflow simplifie le tracking des paramètres, métriques et artefacts, optimisant ainsi la reproductibilité et la collaboration en équipe. Vous acquerrez les compétences pour industrialiser vos workflows et accélérer les cycles d’itération.
Disponible en distanciel et présentiel, cette formation bénéficie d’un accompagnement individualisé adapté à votre rythme. Éligible CPF, elle est également prise en charge par les OPCO et France Travail. ESIC, organisme certifié Qualiopi, garantit une qualité pédagogique reconnue et un apprentissage orienté vers l’excellence.
Objectifs pédagogiques
- Suivre et versionner les modèles ML.
- Déployer et monitorer les modèles.
- Automatiser les expériences ML.
Programme détaillé
Module 1 Comprendre le cycle de vie d’un modèle ML et les enjeux MLOps
- Identifier les étapes du cycle de vie d’un modèle dans un projet type.
- Repérer les risques liés à une absence de traçabilité.
- Définir les informations à suivre pour rendre une expérimentation reproductible.
Module 2 Installer, configurer et prendre en main MLflow Tracking
- Installer ou utiliser un environnement MLflow préparé.
- Créer une première expérience.
- Lancer un run.
- Enregistrer des paramètres et métriques.
- Visualiser les résultats dans MLflow UI.
- Ajouter un artefact simple.
Module 3 Instrumenter un entraînement Machine Learning avec MLflow
- Entraîner un modèle ML simple.
- Ajouter le suivi MLflow dans le script.
- Enregistrer les hyperparamètres.
- Enregistrer les métriques de performance.
- Enregistrer le modèle et les artefacts associés.
- Vérifier les résultats dans MLflow UI.
Module 4 Comparer les runs et sélectionner un modèle
- Lancer plusieurs runs avec différents paramètres.
- Comparer les performances.
- Identifier le meilleur modèle selon une métrique cible.
- Formaliser une justification du choix réalisé.
Module 5 Enregistrer et versionner les modèles avec MLflow Model Registry
- Enregistrer un modèle dans le Model Registry.
- Créer une nouvelle version.
- Ajouter une description.
- Comparer deux versions.
- Simuler une transition vers un stade de validation ou de production.
Module 6 Préparer le déploiement d’un modèle MLflow
- Charger un modèle enregistré.
- Réaliser une inférence sur de nouvelles données.
- Vérifier la cohérence des prédictions.
- Préparer les éléments nécessaires au déploiement.
- Identifier les dépendances à documenter.
Module 7 Monitorer les modèles et organiser le suivi en production
- Définir les indicateurs de suivi d’un modèle.
- Identifier les alertes nécessaires.
- Proposer un plan simple de monitoring.
- Définir les conditions de réentraînement.
- Documenter les limites du modèle.
Module 8 Automatiser les expériences ML
- Automatiser plusieurs runs avec différents paramètres.
- Enregistrer les résultats dans MLflow.
- Comparer les runs générés.
- Identifier le meilleur modèle.
- Structurer le script pour une réutilisation future.
Module 9 Cas pratique de synthèse
- préparer un jeu de données
- entraîner plusieurs modèles ou configurations
- suivre les paramètres avec MLflow Tracking
- enregistrer les métriques de performance
- enregistrer les artefacts utiles
- visualiser les résultats dans MLflow UI
- comparer les runs
- sélectionner un modèle final
- enregistrer le modèle dans le Model Registry
- créer ou identifier une version
- comparer deux versions du modèle
- simuler une transition vers un stade de validation ou de production
- recharger le modèle pour inférence
- identifier les dépendances à documenter
- définir les indicateurs de monitoring
- présenter les choix, résultats et limites
Prérequis
- Connaissances en ML et Python
Public visé
- Data scientists
- ML engineers
Modalités de la formation
- ⏱ Durée : 14h
- 📍 Format : 100% en ligne (distanciel synchrone) · Présentiel (Malakoff / Paris)
- 💰 Financements éligibles : OPCO · France Travail · Plan entreprise · Autofinancement
- 📊 Niveau d'entrée : Avancé
- 🎯 Pédagogie : Apports théoriques, exercices pratiques, études de cas, projet fil rouge
- 🗓️ Délai d'accès : variable selon le mode de financement, généralement de 11 jours ouvrés à 1 mois après l'inscription. En savoir plus.
- ♿ Accessibilité : Chaque demande émanant d'une personne en situation de handicap fait l'objet d'une étude de faisabilité et d'adaptation. Contactez notre référent handicap.
Équipe pédagogique
Nos formations sont conçues et animées par une équipe de formateurs experts, sélectionnés pour leur double compétence : une expertise métier acquise sur le terrain et une réelle expérience pédagogique. Le suivi de chaque apprenant est assuré par un référent pédagogique dédié.
- Formateurs professionnels spécialistes de leur domaine, en veille permanente sur les évolutions du secteur
- Référent pédagogique dédié, disponible tout au long du parcours
- Contenus régulièrement actualisés et adaptés au niveau de chaque participant
- Référent handicap pour l'accueil et l'adaptation des personnes en situation de handicap
Suivi de l'exécution et évaluation
- Questions de validation sur expériences, runs, paramètres, métriques et artefacts.
- Vérification de la capacité à instrumenter un entraînement avec MLflow Tracking.
- Le cas pratique de synthèse permet de vérifier la capacité du participant à suivre, versionner, préparer au déploiement, monitorer et automatiser des expériences ML avec MLflow.
Accessibilité
Les modalités d’accueil, d’accompagnement et d’évaluation peuvent être adaptées aux besoins des participants en situation de handicap. Les adaptations peuvent notamment porter sur : • les supports pédagogiques ; • le rythme de progression ; • les modalités d’interaction ; • l’organisation des exercices ; • les conditions de réalisation des évaluations ; • les outils numériques utilisés. Toute adaptation est étudiée en amont afin de garantir l’accessibilité de la formation, la participation effective du stagiaire et l’atteinte des objectifs pédagogiques, dans le respect du cadre prévu.
Fiche mise à jour le 7 juillet 2026.
👀 Cross-sell
Les apprenants ont aussi consulté
D'autres formations populaires qui pourraient compléter votre parcours.
Populaire
Expert en systèmes d’information et sécurité
Titre certifié niveau Bac+5 (RNCP 39394) pour piloter la performance, la cybersécurité et l’évolution du système d’information. Formation…
Populaire
Créer et gérer des sites web avec WordPress (Tosa)
Cette formation intensive de 21 heures prépare à la certification TOSA WordPress (RS6965). Elle vise à rendre les…
Populaire RS7316
Préparation à la certification LILATE Test d’aptitude à travailler en espagnol (RS7316)
Formation de 35h préparant à la certification RS7316 – Test d'aptitude à travailler en espagnol (LILATE) : communiquer…
