Programme flexible en fonction de votre expérience.

Mots-clés des compétences, technologies ou produits à maîtriser
 Machine Learning (ML)
 MLOps
 Pipelines ML
 Kubeflow Pipelines
 MLflow (Tracking, Projects, Models)
 Orchestration (Argo Workflows, Kubernetes)
 CI/CD pour Data Science
 Workflow DAG (Directed Acyclic Graph)
 Containerisation (Docker)
 TFX (TensorFlow Extended)

Objectifs du cours
 Comprendre l’intérêt d’automatiser les étapes du cycle de vie des modèles ML.
 Apprendre à créer et orchestrer des pipelines ML avec Kubeflow Pipelines.
 Intégrer MLflow pour le tracking des expériences, du modèle et des artefacts.
 Mettre en œuvre une infrastructure reproductible, modulaire et traçable.
 Superviser les exécutions et réentraîner les modèles en fonction de déclencheurs définis.

Compétences du titre mises en œuvre
 C32 – Optimiser les processus décisionnels avec des modèles prédictifs et MLOps
 C16 – Définir et déployer des pipelines CI/CD pour projets ML
 C33 – Surveiller la performance et la fiabilité des systèmes automatisés
 C20 – Rédiger la documentation technique de pipelines de traitement ML
 C13 – Apporter une aide technique experte via une veille et des solutions industrialisées

Contenu détaillé par module

Module 1 : Introduction à l'automatisation des workflows ML
 Objectifs : Comprendre la complexité croissante des projets ML et la nécessité des pipelines.
 Pré-requis : Bases en Machine Learning supervisé et non supervisé.
 Programme :
o Théorie : Pourquoi automatiser ? Cycle de vie du ML, limitations des notebooks
o Démo : Présentation de l’architecture d’un pipeline typique
o TP : Décomposition d’un use case ML en étapes formalisées

Module 2 : Création de pipelines avec MLflow
 Objectifs : Utiliser MLflow pour traquer, packager et déployer des modèles.
 Pré-requis : Python, conda, scikit-learn
 Programme :
o Théorie : Composants de MLflow (Tracking, Projects, Registry)
o Démo : Entraînement + enregistrement de modèles avec MLflow
o TP : Mise en œuvre complète avec code versionné et modèle traçable

Module 3 : Orchestration de workflows ML avec Kubeflow Pipelines
 Objectifs : Construire des workflows reproductibles exécutés dans Kubernetes.
 Pré-requis : Cluster Kubernetes local ou via cloud provider (ou MiniKF)
 Programme :
o Théorie : Kubeflow Pipelines, composants, DAG, containerisation
o Démo : Exemple de pipeline ML simple orchestré avec KFP
o TP : Déploiement d’un pipeline de preprocessing, training, validation dans KFP

Module 4 : Intégration des outils MLOps (MLflow + Kubeflow)
 Objectifs : Associer traçabilité (MLflow) et orchestration (Kubeflow) dans un même projet.
 Pré-requis : Pipeline Kubeflow + MLflow en local ou cloud
 Programme :
o Théorie : Architecture cible, passerelles entre les outils, bonnes pratiques
o Démo : Pipeline Kubeflow avec tracking automatique dans MLflow
o TP : Construction d’un projet complet ML avec orchestration + registry de modèle

Module 5 : Monitoring, réexécution, reproductibilité
 Objectifs : Mettre en place un système de supervision des exécutions et assurer la
reproductibilité.
 Pré-requis : Prometheus/Grafana (optionnel), outils de versioning
 Programme :
o Théorie : Logs, artefacts, triggers, gestion des erreurs, reproductibilité
o Démo : Monitoring + réexécution d’un job échoué avec triggers
o TP : Ajout de gestion d’erreurs et suivi des métriques dans un pipeline ML complet