Ingénieur(e) MLOps

• Comprendre le rôle de l’ingénieur MLOps en entreprise
• Développer l’industrialisation des modèles de Machine Learning
• Piloter la fiabilité et la supervision des modèles en production

Ingénieurs, data scientists, développeurs et équipes DevOps

Maîtriser Python, le Machine Learning et les bases du DevOps

• Définir les missions de l’ingénieur MLOps dans l’équipe data
• Comprendre le cycle de vie complet d’un modèle de Machine Learning
• Automatiser les pipelines de données et d’entraînement des modèles
• Mettre en place l’intégration et le déploiement continus des modèles
• Gérer le versionnage du code, des données et des modèles d’IA
• Conteneuriser les applications avec Docker et les orchestrer
• Déployer les modèles sur le cloud avec des API stables et fiables
• Superviser la performance et détecter les dérives des modèles
• Sécuriser les environnements et garantir la traçabilité des modèles
• Optimiser les coûts d’infrastructure et la scalabilité des solutions

• Construire un pipeline automatisé d’entraînement et de test
• Conteneuriser un modèle de Machine Learning grâce à Docker
• Définir les indicateurs de supervision d’un modèle déployé

• Méthodologie de mise en place d’un pipeline MLOps pas à pas
• Fiche repère des outils et des grandes étapes du cycle MLOps
• Check list de supervision et de maintenance d’un modèle IA