Déployer et automatiser vos pipelines ML dans le Cloud

• Concevoir un pipeline ML complet : préparation, entraînement, déploiement.
• Conteneuriser les modèles avec Docker et orchestrer leur exécution
  avec Kubernetes.
• Automatiser les workflows ML via des outils CI/CD (GitHub Actions, GitLab CI).
• Déployer les modèles sur un environnement Cloud (AWS SageMaker, Azure ML, GCP).
• Superviser et maintenir les modèles déployés.

1. Introduction au MLOps et aux pipelines

• Cycle de vie d’un modèle : entraînement, déploiement, supervision.
• Découverte des outils : MLflow, Kubeflow, Airflow.
• Mise en pratique : création d’un mini-pipeline local d’entraînement.

2. Conteneurisation et orchestration

• Conteneuriser un modèle avec Docker.
• Orchestrer les exécutions avec Kubernetes et gérer la scalabilité.
• Mise en pratique : déploiement d’un modèle sur cluster simulé.

3. Automatisation CI/CD pour ML

• Configurer GitHub Actions ou GitLab CI pour l’entraînement et le déploiement.
• Automatiser les tests et la mise à jour des modèles.
• Mise en pratique : pipeline CI/CD complet pour un projet ML.

4. Déploiement et supervision Cloud

• Déployer sur AWS SageMaker, Azure ML ou Vertex AI.
• Mettre en place la surveillance et la gestion des performances.
• Mise en pratique : déploiement final d’un modèle IA dans le Cloud.

Le formateur évalue la progression des participants tout au long de la formation
à travers des échanges, QCM et études de cas. Un test de positionnement ou
une activité de synthèse permet d’évaluer les acquis en début et fin de session