MLOps : déployer et surveiller un modèle

• Déployer un modèle de machine learning en production
• Surveiller sa performance et détecter les dérives
• Organiser le cycle de vie du modèle de façon reproductible

Data scientists, ingénieurs ML, DevOps, architectes logiciels

Connaître Python, le machine learning et le développement

• Définir le périmètre, les enjeux et les pratiques du MLOps
• Versionner le code, les jeux de données et les modèles entraînés
• Structurer un projet de machine learning reproductible
• Empaqueter un modèle dans un conteneur prêt à déployer
• Exposer un modèle via une interface de programmation sécurisée
• Automatiser les tests et le déploiement par intégration continue
• Choisir entre traitement par lots et prédiction en temps réel
• Surveiller la latence, les erreurs et la qualité des prédictions
• Détecter la dérive des données et planifier le réentraînement
• Documenter le modèle et les décisions pour les audits internes

• Empaqueter un modèle et exposer une interface de prédiction
• Définir cinq indicateurs de surveillance d’un modèle déployé
• Rédiger la procédure de réentraînement d’un modèle en service

• Modèle de fiche d’identité d’un modèle en production
• Check list de mise en production d’un modèle de machine learning
• Guide de surveillance du modèle et de détection de la dérive