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 structurer leurs projets machine learning. Vous apprendrez à suivre les…

14h

Avancé

distanciel,presentiel

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 structurer leurs projets machine learning. Vous apprendrez à suivre les expériences, gérer les versions de modèles et préparer leur mise en production.

Au cœur de cette formation avancée de 14 heures, vous découvrirez le suivi des paramètres, métriques et artefacts, la reproductibilité et la collaboration en équipe.

Disponible en distanciel et présentiel, la formation peut faire l’objet de financements selon la situation du bénéficiaire, notamment via un OPCO, France Travail, l’entreprise ou l’autofinancement.

La formation est dispensée par ESIC, organisme certifié Qualiopi.

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 26 septembre 2026.