Machine Learning et Data Science : déployer, monitorer et gérer des modèles en production
- Durée
- Durée :3 jours
- Niveau
- Niveau :Intermédiaire
- Certification
- Certification :Non
Intra uniquement
Aucune session prévue
MLOps pour les modèles d’IA générative
De la compréhension des modèles d’IA générative à leur déploiement industriel grâce aux bonnes pratiques MLOpsDescription de la formation MLOps IA generative
Qu’est-ce que le MLOps appliqué aux modèles d’IA générative ?
Le MLOps (Machine Learning Operations) vise à industrialiser le cycle de vie des modèles d’intelligence artificielle. Appliqué aux LLM (Large Language Models) tels que GPT, Claude, Llama ou Mistral, il permet de passer du prototype à la production avec fiabilité et traçabilité. De la quantization au function calling, de l’évaluation à la supervision, cette approche optimise la collaboration entre data scientists, développeurs et ingénieurs système.
Pourquoi suivre une formation MLOps pour les modèles d’IA générative ?
Cette formation vous guide à travers tout le cycle de vie d’un modèle d’IA générative : compréhension des fondamentaux, mise en place d’environnements modernes (Docker, uv, VSCode), gestion des expériences (MLflow, MinIO), jusqu’au déploiement automatisé (FastAPI, CI/CD). Elle allie rigueur technique et dimension pratique pour permettre aux équipes de passer à l’échelle dans leurs projets IA tout en maintenant qualité, performance et reproductibilité.
Programme de la formation
Objectif opérationnel :
Savoir industrialiser, déployer et superviser un modèle d’IA générative à l’aide des pratiques et outils MLOps modernes.
Objectifs pédagogiques :
À l'issue de cette formation MLOps pour les modèles d’IA générative, vous aurez acquis les connaissances et compétences nécessaires pour :
- Comprendre le rôle du MLOps dans le cycle de vie des modèles d’IA générative.
- Identifier les différents types de modèles LLM et leurs critères de choix.
- Évaluer et comparer les performances des modèles via des benchmarks.
- Mettre en place un environnement reproductible pour le développement IA.
- Intégrer un pipeline complet d’expérimentation, de déploiement et de monitoring.
- Déployer des modèles avec Docker, FastAPI, MLflow et superviser leur comportement en production.
Jour 1
Cycle de vie d’un modèle : construction, exposition, utilisation
Types de modèles : open source vs closed source, censored vs uncensored
Taille, quantization et formats (GGUF, ONNX)
Function calling et critères de spécialisationTravaux pratiquesObjectif :Identifier et manipuler différents modèles en local.
Description :Installation et test de modèles via LM Studio. Comparaison des performances selon la taille et les réglages.
Méthodes de benchmarking et d’analyse de cohérence
Utilisation d’arena et de comparateurs webTravaux pratiquesObjectif :Évaluer et classer différents modèles selon des critères objectifs.
Description :Activité comparative via leaderboard, puis via arena et web TPU. Quelle métrique privilégier selon le contexte ?
Stratégies : n-shot, CoT, ToT
Température, top K, context window
Intégration du RAG et du function callingTravaux pratiquesObjectif :Observer l’effet des réglages sur les résultats.
Description :Tests de stratégies de prompt et fonction RAG via Anything LLM.Jour 2
venv, Conda, Mamba, Poetry, uv
Conteneurisation avec Docker & Kubernetes
Installation pour Python et JavaTravaux pratiquesObjectif :Construire un environnement MLOps complet.
Description :Installation d’un environnement moderne (VSCode, uv, Docker, JDK 21).
LoRA, QLoRA et fine-tuning léger
Hyperparamètres, perplexité, cohérence, relevanceTravaux pratiquesObjectif :Comprendre les paramètres clés influençant les modèles.
Description :Expérimentation sur des micro-modèles pour observer l’impact du tuning.Jour 3
MLflow pour le suivi d’expériences
Ollama + modèles personnalisés
FastAPI pour le déploiement en ligneTravaux pratiquesObjectif :Déployer un modèle IA complet.
Description :TP de mise en production locale avec Docker + FastAPI. Comment garantir la scalabilité et la stabilité ?
CI/CD avec GitHub Actions et GitLab
Tests et qualité de code (Pytest, linting, coverage)
Orchestration avec Mage / PrefectTravaux pratiquesObjectif :Superviser et améliorer un pipeline IA complet.
Description :Mise en œuvre d’une chaîne complète MLOps avec suivi, alertes et supervision continue.
Comprendre les LLM et leurs composants
Définitions essentielles : IA, LLM, GPT, Token, GPU, TUP, LPUCycle de vie d’un modèle : construction, exposition, utilisation
Types de modèles : open source vs closed source, censored vs uncensored
Taille, quantization et formats (GGUF, ONNX)
Function calling et critères de spécialisationTravaux pratiquesObjectif :Identifier et manipuler différents modèles en local.
Description :Installation et test de modèles via LM Studio. Comparaison des performances selon la taille et les réglages.
Évaluation et comparaison des modèles
Métriques, leaderboard et tests en ligneMéthodes de benchmarking et d’analyse de cohérence
Utilisation d’arena et de comparateurs webTravaux pratiquesObjectif :Évaluer et classer différents modèles selon des critères objectifs.
Description :Activité comparative via leaderboard, puis via arena et web TPU. Quelle métrique privilégier selon le contexte ?
Introduction au Prompt Engineering dans un contexte MLOps
System vs User promptStratégies : n-shot, CoT, ToT
Température, top K, context window
Intégration du RAG et du function callingTravaux pratiquesObjectif :Observer l’effet des réglages sur les résultats.
Description :Tests de stratégies de prompt et fonction RAG via Anything LLM.Jour 2
MLOps et gestion d’environnements
Notions d’automatisation et de reproductibilitévenv, Conda, Mamba, Poetry, uv
Conteneurisation avec Docker & Kubernetes
Installation pour Python et JavaTravaux pratiquesObjectif :Construire un environnement MLOps complet.
Description :Installation d’un environnement moderne (VSCode, uv, Docker, JDK 21).
Cycle de vie d’un modèle dans le MLOps
Inférence, Training, Transfer LearningLoRA, QLoRA et fine-tuning léger
Hyperparamètres, perplexité, cohérence, relevanceTravaux pratiquesObjectif :Comprendre les paramètres clés influençant les modèles.
Description :Expérimentation sur des micro-modèles pour observer l’impact du tuning.Jour 3
Mise en production des modèles d’IA
DVC + MinIO pour la gestion de données et artefactsMLflow pour le suivi d’expériences
Ollama + modèles personnalisés
FastAPI pour le déploiement en ligneTravaux pratiquesObjectif :Déployer un modèle IA complet.
Description :TP de mise en production locale avec Docker + FastAPI. Comment garantir la scalabilité et la stabilité ?
Supervision et amélioration continue
Monitoring avec Prometheus, Grafana, Evidently AICI/CD avec GitHub Actions et GitLab
Tests et qualité de code (Pytest, linting, coverage)
Orchestration avec Mage / PrefectTravaux pratiquesObjectif :Superviser et améliorer un pipeline IA complet.
Description :Mise en œuvre d’une chaîne complète MLOps avec suivi, alertes et supervision continue.
Public cible :
Cette formation s’adresse aux développeurs IA, ingénieurs MLOps, data scientists et architectes techniques souhaitant structurer et industrialiser leurs déploiements de modèles d’IA générative.
Prérequis :
Avoir de bonnes bases en Python et en apprentissage automatique. Des connaissances de base sur Docker et Git sont recommandées pour tirer pleinement profit des travaux pratiques.
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 : 14/01/2026
Dates et lieux
Période souhaitée
Lieux
Type d'affichage