Demander un devis

Intelligence artificielle (IA) 💰 CPF éligible

Gestion du cycle de vie des modèles avec MLflow

Avancé

présentiel, distanciel

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
comparer les runs
sélectionner un modèle final
enregistrer le modèle dans le Model Registry
créer ou identifier une version
recharger le modèle pour inférence
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

📍 Format : présentiel, distanciel
📊 Niveau d'entrée : Avancé
👥 Effectif : 4 à 12 stagiaires (groupe restreint)
🎯 Pédagogie : Apports théoriques, exercices pratiques, études de cas, projet fil rouge
♿ Accessibilité : Formations accessibles aux personnes en situation de handicap. Contactez notre référent handicap.

🏆

Passage de la certification obligatoire

Cette formation se conclut par le passage d'une certification officielle, indispensable à la validation de votre parcours.