Programme flexible en fonction de votre expérience.

Mots-clés des compétences, technologies ou produits à maîtriser
 Machine Learning (ML)
 MLOps (Machine Learning Operations)
 Déploiement de modèles (Model Deployment)
 CI/CD pour ML
 Versioning des modèles (Model Versioning)
 Monitoring des modèles
 MLflow, DVC, Kubeflow, SageMaker
 Conteneurisation (Docker), Orchestration (Kubernetes)
 API REST de prédiction
 Tests de performance et dérive des données (Data Drift)

Objectifs du cours
 Comprendre les principes de l’approche MLOps pour industrialiser le ML.
 Mettre en place un pipeline CI/CD pour entraîner, tester, déployer et monitorer un modèle
ML.
 Conteneuriser un modèle et l’exposer via une API.
 Assurer la reproductibilité, la traçabilité et le suivi de performance des modèles.
 Détecter les dérives de données et déclencher une nouvelle phase d'entraînement.

Compétences du titre mises en œuvre
 C32 – Optimiser les processus décisionnels avec des modèles prédictifs et MLOps
 C33 – Assurer la surveillance et la maintenance des systèmes automatisés
 C16 – Définir les pipelines CI/CD adaptés à l’intégration de modèles ML
 C20 – Rédiger et maintenir une documentation technique complète pour les systèmes ML
 C13 – Aider à résoudre des problèmes complexes en s'appuyant sur des sources techniques
pointues

Contenu détaillé par module
Module 1 : Introduction à MLOps
 Objectifs : Comprendre les enjeux de l’industrialisation des modèles ML.
 Pré-requis : Connaissances de base en ML (modèle supervisé, régression, classification).
 Programme :
o Théorie : Pourquoi MLOps ? Comparaison avec DevOps, principes et cycles de vie
o Démo : Analyse d’un cas de production ratée et d’un succès avec MLOps
o TP : Mapping du cycle de vie ML sur un projet personnel ou fourni

Module 2 : Entraînement reproductible et traçabilité
 Objectifs : Versionner les données, le code et les modèles avec des outils MLOps.
 Pré-requis : Python, scikit-learn, notions Git
 Programme :
o Théorie : DVC, MLflow, metadata, gestion des dépendances
o Démo : Versioning d’un modèle avec MLflow + DVC
o TP : Entraînement d’un modèle simple avec tracking des expérimentations

Module 3 : Déploiement de modèles via API
 Objectifs : Conteneuriser et exposer un modèle via une API REST.
 Pré-requis : Docker, Flask ou FastAPI
 Programme :
o Théorie : Architecture REST, patterns de déploiement (batch, realtime, streaming)
o Démo : Déploiement d’un modèle de prédiction dans un container
o TP : Création d’une API REST de prédiction et test avec des jeux de données

Module 4 : Automatisation du pipeline avec CI/CD
 Objectifs : Automatiser l’entraînement, les tests et le déploiement des modèles.
 Pré-requis : Connaissances GitHub Actions ou Jenkins, YAML
 Programme :
o Théorie : CI/CD pour ML, étapes et déclencheurs, modèles en tant que code
o Démo : Pipeline automatisé avec GitHub Actions pour un modèle ML

o TP : Création d’un pipeline d'entraînement et déploiement automatisé

Module 5 : Monitoring, dérive et redéploiement
 Objectifs : Assurer le suivi du modèle en production, détecter les dérives et relancer
l’entraînement.
 Pré-requis : MLflow ou Prometheus/Grafana
 Programme :
o Théorie : Data Drift, performance monitoring, alerting, retraining loop
o Démo : Dashboard de suivi des métriques du modèle (F1, précision, latence)
o TP : Mise en place de scripts de détection de dérive + stratégie de redéploiement