MLOps sur AWS

Module 1 : comprendre les bases des pratiques d'ingénierie MLOps

• Les processus :
  • les workflows de Machine Learning ;
  • l'automatisation des tâches récurrentes ;
  • l'intégration continue et la livraison continue (CI/CD) pour le Machine Learning ;
  • la gestion du cycle de vie des modèles.
• Les personnes :
  • les rôles et responsabilités dans une équipe MLOps (Data Scientists, ML Engineers, DevOps Engineers) ;
  • la collaboration et la communication entre les équipes ;
  • l'importance de la culture DevOps dans le contexte du Machine Learning.
• La technologie :
  • les outils et plateformes pour MLOps (AWS SageMaker, etc.) ;
  • l'infrastructure cloud pour le Machine Learning ;
  • les langages de programmation et les frameworks (Python, TensorFlow, PyTorch).
• La sécurité et la gouvernance :
  • la gestion des données sensibles ;
  • le contrôle d'accès et l'authentification ;
  • la conformité réglementaire ;
  • l'auditabilité et la traçabilité des modèles.

Lab : 

• Provisionner un environnement SageMaker Studio avec AWS Service Catalog.

Module 2 : mettre en place les environnements d'expérimentation MLOps dans SageMaker Studio

• L'apport de MLOps à l'expérimentation.
• La mise en place de l'environnement d'expérimentation ML.
• La création et la mise à jour d'une configuration de cycle de vie pour SageMaker Studio (démo).

Lab : 

• Provisionner l'environnement d'expérimentation.

Module 3 : organiser les référentiels pour MLOps répétable

• La gestion des données pour MLOps.
• Le contrôle de version des modèles ML.
• Les référentiels de code en ML.

Module 4 : orchestrer les pipelines ML pour MLOps Répétable

• Les pipelines ML.
• L'utilisation de SageMaker Pipelines pour orchestrer les pipelines de construction de modèles (démo).
• L'orchestration de bout en bout avec AWS Step Functions.
• L'orchestration de bout en bout avec SageMaker Projects.
• La standardisation d'un pipeline ML de bout en bout avec SageMaker Projects (démo).
• L'utilisation d'outils tiers pour la reproductibilité.
• L'exploration de l'intervention humaine pendant l'inférence (démo).
• La gouvernance et la sécurité.
• Les meilleures pratiques de sécurité pour SageMaker (démo).
• La mise en œuvre d'un MLOps répétable.

Lab : 

• Automatiser un flux de travail avec Step Functions.

Module 5 : assurer la fiabilité de MLOps

• Les stratégies de mise à l'échelle et multi-comptes.
• Les tests et le transfert de trafic.
• L'utilisation de SageMaker Inference Recommender (démo).
• Les stratégies multi-comptes.

Labs : 

• Tester les variantes de modèles.
• Transférer le trafic.

Module 6 : assurer la fiabilité de MLOps (monitoring)

• L'importance du monitoring en ML.
• Les considérations opérationnelles pour le monitoring des modèles.
• La résolution des problèmes identifiés par le monitoring des solutions ML.
• Les bonnes pratiques d'un MLOps Fiable.

Labs : 

• Monitorer un modèle pour la dérive des données.
• Construire et dépanner un pipeline ML.