La vie après le PoC (Proof of Concept)
- Qu’est ce que le MLOps ?
- Cycle de vie de la data.
- Tour d’horizon des différentes plateformes de production.
- La malédiction de la dimensionnalité.
- Choix techniques de la mise en production.
- Présentation de plateformes d’embarquabilité.
- Intégration continue, déploiement et maintenance de modèles.
Travaux pratiques
Mise en place d'un environnement cloud pour le déploiement de modèle. Test d’APIs sur étagère. Gestion des clés d’authentification et des points d’entrée d’API.
Les étapes de mise en production de modèles de Deep Learning
- Algorithmes de réduction de dimensions (PCA, SVD).
- Pruning. Quantization.
- Approximation bas rang. Réseaux de poids binaires.
- Transformation de Winograd.
- Evaluation des performances du modèle après réduction.
- Explicabilité du modèle avec les algorithmes LIME et SHAP.
- Présentation d’architectures pour l’entrainement de larges modèles en distribué.
Travaux pratiques tutorés
Mise en œuvre d'un modèle de Machine Learning sur les défauts de paiement de crédit, avec explicabilité. Mise en œuvre de pruning sur un modèle de Deep Learning pré-entrainé sur la détection d’objet.
Intégration de Docker et Kubernetes
- Rappels sur Docker.
- Mise en pratique avec le déploiement d’un modèle avec FastAPI et Docker.
- Présentation de Kubernetes.
- Présentation de KubeFlow.
- Présentation des principes de gestion de gros volumes et architectures Big Data pour le déploiement de modèle.
- Bonnes pratiques de mise en production.
Travaux pratiques
Mise en pratique de déploiement d’un modèle avec Docker.
3j
- 21h00 
