L
Avis de LR
Retour d’expérience
Ce que j'ai le plus apprécié :
"Les échanges avec le formateur et les autre participants"
Ce que j'ai le moins apprécié :
"N/A"
LR
Machine Learning et Data Science : déployer, monitorer et gérer des modèles en production
4,3/5
Avec 3 avisDescription de la formation Machine Learning Data Science
Cette formation Machine Learning et Data Science a pour objectif de vous démontrer en quoi le déploiement de modèles en production constitue une étape cruciale, et par extension, en quoi sa négligence est à l'origine de l'échec de bon nombre de projets Big Data.
Vous y étudierez les bonnes pratiques et les techniques permettant de sécuriser le projet de Data Science ou Machine Learning afin que les aspects nécessaires à la mise en production de l'algorithme soient adressés dès le début du projet.
De cette manière, vous serez en mesure de garantir le succès de cette mise en production, puis d'en assurer la gestion.
Programme de la formation
Objectif opérationnel :
Savoir déployer avec succès des modèles de machine learning ou data science en production.
Objectifs pédagogiques :
À l'issue de cette formation Machine Learning et Data science vous aurez acquis les connaissances et les compétences nécessaires pour :
- Définir les pré-requis, une mise en production ainsi que le monitoring des modèles pour un déploiement dès la phase de cadrage du projet data
- Choisir les outils et les technologies adaptés à votre environnement IT et aux contraintes du projet (compétences techniques, budget, maintenabilité) grâce à un aperçu des principaux outils
- Déployer des modèles de data science et de machine learning en production
- Mettre en place le monitoring des modèles
- Entraîner les modèles de façon continue (retrain, re-scores, re-validates)
- Mesurer le drift des modèles (automated model checking)
- Remplacer l'ancien modèle en production par le nouveau modèle amélioré
- Savoir mettre en place l'intégration continue
Introduction et rappels
Les objectifs du machine learning : résoudre un problème
Rappels de l'écosystème Data Science : langages, outils et pratiques
Les raisons des échecs des passages en production
Les principales difficultés rencontrées pour la mise en production de modèles
État de l'art de l'organisation des projets de Data Science
Qui déploie les modèles et comment ?
Les différents rôles : le data scientist, le data engineer, le data ops
Les limites à cette organisation sur la réussite des projets data
État de l'art des solutions logiciels de déploiement de modèles de Machine Learning
État de l'art : des déploiements sans outillage
Limites techniques et coûts élevés
Maintenabilité complexe
Un exemple avec Tensorflow, PyTorch, scikit-learn, Python, Java
Un exemple dans le Cloud (AWS, GCP, Azure)
Les bonnes pratiques liées aux métiers afin de réduire les risques d'échec
Des critères d'acceptabilité (user acceptance) obligatoires par le métier : le premier pré-requis
Des moyens de tester les algorithmes avec les métiers tous les deux jours
Une communication permanente entre data scientist, data ops, IT, métiers...
Identifier les données requises et leurs disponibilités
Des solutions techniques pour faciliter et améliorer les déploiements
De nouveaux outils et logiciels : TFX, Mlfow, Kubeflow, Cloudera Data Science Workbench, Dataiku
De nouvelles compétences : l'ingénieur machine learning, le data ops
L'importance du choix d'un framework sur la continuité, la maintenabilité et l'utilisation d'un modèle
Travaux Pratiques
Déploiement d'un modèle dans GCP
Nouveaux métiers et profils : de nouvelles compétences
L'ingénieur machine learning
Le data ops
Travaux Pratiques
Jeu de rôle Agile : dans la peau du représentant métier
Le choix des outils
État de l'art des outils / frameworks utilisés par les grandes sociétés (CAC40, grandes startups, GAFAM)
Comment choisir un framework de Machine Learning ou de Data Science
Impacts sur les coûts des projets
Estimer le coût des outils (in)existants sur le projet
Estimer le coût des outils de collaboration, de déploiement, de monitoring, etc. sur les projets data
Travaux Pratiques
Simulations et retours d'expérience
Les critères d'un bon modèle pour la production
Portabilité du modèle
Scalabilité
Utilisabilité par les applications métiers
Testabilité
Les différents formats des modèles
Pickle
ONNX
PMML
POJO & MOJO
Déployer en production
Entraîner le modèle en production : batch training, real time training
Batch vs real-time prediction : impacts sur les performances, les évaluations, les infrastructures et les coûts
Monitorer et mesurer les écarts en production
Entraîner de façon continue les modèles (retrain, re-score, re-validate)
Mesurer le drift des modèles (automated model checking)
Remplacer l'ancien modèle en production par le nouveau modèle amélioré
Travaux Pratiques
Réalisation d'un modèle de Machine learning
Déploiement en production
Monitoring
Mesurer la réussite d'un déploiement en production
Comment mesurer la réussite d'un déploiement ?
La mesure de la réussite des déploiements en CI sur un projet data
Les métriques
Public cible :
Ce cours Déploiement Machine Learning & Data Science cible principalement les développeurs, les ingénieurs machine learning, les data scientists, les data ops et les data engineers.
Prérequis :
Pour suivre cette formation Déploiement Machine Learning & Data Science dans des conditions optimales, il est important d'avoir des notions sur le cloud, ainsi que des connaissances de base en Data Science / Machine Learning : statistiques, algorithmie. Il est également nécessaire d'avoir des connaissances basiques en Linux / réseau / Python / bash.
J'évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Date de mise à jour du programme : 26/06/2023