Infrastructure pour MLOps sur Ubuntu Linux

🎯 Public cible

• Ce cours s’adresse aux développeurs, ingénieurs de données, data scientists et professionnels de l’informatique qui souhaitent implémenter et optimiser les pratiques de MLOps dans des environnements basés sur Ubuntu Linux. Il convient également aux équipes cherchant à améliorer leurs infrastructures IA/ML en utilisant des technologies open-source.

🔎 Description du cours

Le cours “MLOps sur Ubuntu Linux” fournit un guide pratique et détaillé pour implémenter MLOps dans des environnements de production en utilisant des outils et technologies open-source. Tout au long de ce cours, les participants apprendront à concevoir, déployer et optimiser des infrastructures MLOps, de la création de pipelines de machine learning à la gestion efficace des ressources dans le cloud et à la périphérie. Le cours combine théorie et pratique, permettant aux participants d’acquérir les compétences nécessaires pour relever les défis de MLOps dans l’industrie.

🪶Ce que vous apprendrez

• Concepts de base de MLOps: Comprendre les principes fondamentaux et l’importance de MLOps dans les projets d’IA/ML.
• Conception et déploiement d’architectures MLOps: Apprendre à concevoir et déployer des infrastructures MLOps en utilisant des outils open-source dans des environnements cloud et edge.
• Optimisation des ressources: Maîtriser les techniques pour maximiser l’utilisation efficace des ressources dans les environnements de production.
• Implémentation de pipelines de ML: Créer et intégrer des pipelines robustes en utilisant des outils tels que Kubeflow sur Ubuntu.
• Gestion des modèles en production: Apprendre à surveiller, maintenir et gérer le cycle de vie des modèles en production.

🖊️📖✏️📚 Programme du cours

Module 1: Introduction à MLOps

• 1.1. Concepts de base de MLOps
  • Définition et objectifs
  • Avantages et défis de la mise en œuvre de MLOps
• 1.2. Le rôle de MLOps dans l’IA et le ML
  • Cycle de vie de MLOps
  • Comparaison avec DevOps
• 1.3. Outils essentiels en MLOps
  • Introduction aux outils open-source (KubeFlow, MLFlow, etc.)
• Exercice 1:
  • Configuration d’un environnement de développement sur Ubuntu pour MLOps.
  • Installation d’outils de base comme Docker, Kubernetes et Kubeflow.

Module 2: Infrastructure moderne pour MLOps

• 2.1. Architecture AI/MLOps dans le cloud
  • Options de déploiement : privé, public et multi-cloud.
  • Configuration d’une architecture IA dans le cloud avec Ubuntu.
• 2.2. Infrastructure à la périphérie
  • Architecture AI à la périphérie : avantages et défis.
  • Cas d’utilisation et exemples pratiques.
• Exercice 2:
  • Déploiement d’une architecture MLOps dans un environnement cloud utilisant Ubuntu.
  • Configuration de base pour un environnement Edge AI.

Module 3: Conception de l’architecture MLOps

• 3.1. Stratégies de migration vers des solutions open source
  • Avantages de la migration vers des solutions open source.
  • Stratégies pour la transition des infrastructures fermées vers l’open source.
• 3.2. Optimisation des ressources dans MLOps
  • Techniques pour éviter la sous-utilisation des ressources.
  • Outils pour surveiller et optimiser l’utilisation des ressources sur Ubuntu.
• Exercice 3:
  • Migration d’un pipeline ML vers une architecture open-source sur Ubuntu.
  • Configuration et optimisation de l’utilisation du GPU dans un environnement Ubuntu.

Module 4: Processus et outils de MLOps

• 4.1. Implémentation de pipelines de ML
  • Introduction à la création de pipelines utilisant des outils comme Kubeflow.
  • Intégration de pipelines dans un environnement de production.
• 4.2. Surveillance et maintenance
  • Techniques de surveillance des modèles en production.
  • Maintenance des modèles et gestion des versions.
• Exercice 4:
  • Création d’un pipeline de ML dans Kubeflow sur Ubuntu.
  • Mise en œuvre d’un système de surveillance continue pour les modèles ML.

Module 5: Pratiques avancées en MLOps

• 5.1. Optimisation des modèles pour l’inférence
  • Stratégies pour améliorer l’efficacité de l’inférence.
  • Utilisation d’outils spécifiques pour l’optimisation des modèles sur Ubuntu.
• 5.2. Gestion du cycle de vie des modèles
  • Mise en œuvre de stratégies pour la gestion du cycle de vie complet des modèles.
  • Cas d’utilisation avancés du ML en production.
• Exercice 5:
  • Optimisation d’un modèle pour l’inférence dans un environnement Ubuntu.
  • Mise en place d’un système de gestion du cycle de vie des modèles dans Kubeflow.

Module 6: Cas pratiques et ateliers

• 6.1. Application de MLOps dans un projet réel
  • Définition d’un cas d’utilisation pratique.
  • Mise en œuvre complète du cycle de vie MLOps.
• 6.2. Ateliers personnalisés et Q&A
  • Ateliers en direct avec des experts pour résoudre des doutes.
  • Personnalisation des connaissances acquises dans des cas spécifiques de l’industrie.
• Exercice 6:
  • Développer et déployer un projet MLOps complet en utilisant les outils et connaissances acquis.
  • Participation à un atelier en direct pour résoudre des doutes et améliorer l’architecture du projet.

📚Matériel et prérequis

• Matériel : Les participants recevront l’accès à des supports numériques, des guides utilisateur, des exemples de code et d’autres ressources pertinentes.
• Prérequis : Connaissances de base en machine learning, Python et Linux.

✍Inscription

Pour vous inscrire à ce cours, complétez le formulaire que vous trouverez ci-dessous sur cette même page.