Accueil > Formations > Data Science – Deep learning > Déployer, monitorer et gérer des modèles de Machine Learning / Data Science en production
Formation Déployer, monitorer et gérer des modèles de Machine Learning / Data Science en production
Domaine : Data Science – Deep learning
DURÉE
3.0 jour(s)
OBJECTIFS
Savoir définir dès la phase de cadrage du projet Data, les pré-requis pour un déploiement, une mise en production et le monitoring des modèles. Apprendre à choisir parmi les outils et les technologies ceux qui sont adaptés à votre environnement IT et aux contraintes du projet. Déployer en production des modèles de Data Science et de Machine Learning. Mettre en place de la "Continuous Integration" pour faire cela.
Pré-requis
Avoir des notions sur le cloud. Avoir des connaissances de base en Data Science/Machine Learning (statistiques, algorithmie). Avoir des connaissances basiques en Linux, réserau, Python, bash.
Participants
Développeurs, ingénieurs Machine Learning, Data Scientists, Data Ops, Data Engineers.
coût
Nous contacter pour une formation sur mesure ou en intra
LIEUx de formation
Notre centre de formation à GrenobleNotre centre de formation à MoiransNotre centre de formation à Sophia Antipolis
Sur votre site en formation intraEn classe distancielle
PROGRAMME DE FORMATION
Déployer, monitorer et gérer des modèles de Machine Learning / Data Science en production
Introduction
Rappels de l'écosystème Data Science (Langages, outils et pratiques)
Pourquoi beaucoup de projets échouent à passer en production ?
Les principales difficultés rencontrées pour la mise en production de modèles
Pourquoi beaucoup de projets échouent à passer en production ?
Les principales difficultés rencontrées pour la mise en production de modèles
Etat de l'art de l'organisation des projets de Data Science
Qui déploie les modèles et comment ?
Les différents rôles (Data Scientist, Data Engineer, Data Ops)
Les limites à cette organisation sur la réussite des projets Data
Les différents rôles (Data Scientist, Data Engineer, Data Ops)
Les limites à cette organisation sur la réussite des projets Data
Etat de l'art des solutions logiciels de déploiement de modèles de ML
Etat de l'art (Des déploiements sans outillage, Limites techniques et coûts élevés, Maintenabilité complexe)
Exemple avec ( TensorFlow, PyTorch, Scikit-learn, Python, Java)
Exemple dans le Cloud (AWS, GCP, Azure)
Exemple avec ( TensorFlow, PyTorch, Scikit-learn, Python, Java)
Exemple dans le Cloud (AWS, GCP, Azure)
Des bonnes pratiques avec les métiers pour réduire les risques d'échec
Des critères d'acceptabilité (user acceptance) obligatoires par le métier (Le premier pré-requis)
Des moyens de tester les algorithmes avec les métiers tous les 2 jours
Une communication permanente Data Scientist / Data Ops / IT / Métiers
Identifier les données requises et leurs disponibilités
Des moyens de tester les algorithmes avec les métiers tous les 2 jours
Une communication permanente Data Scientist / Data Ops / IT / Métiers
Identifier les données requises et leurs disponibilités
Des solutions techniques pour faciliter et améliorer les déploiements
Des nouveaux outils et logiciels (TFX, Mlfow, Kubeflow, Cloudera Data Science Workbench, Dataiku)
De nouvelles compétences (Ingénieur Machine Learning, Data Ops)
L'importance du choix d'un framework sur la continuité, la maintenabilité et l'utilisation d'un modèle
Travaux pratiques (Déploiement d'un modèle dans GCP)
De nouvelles compétences (Ingénieur Machine Learning, Data Ops)
L'importance du choix d'un framework sur la continuité, la maintenabilité et l'utilisation d'un modèle
Travaux pratiques (Déploiement d'un modèle dans GCP)
Des nouveaux métiers et profils avec de nouvelles compétences
Ingénieur Machine Learning
Data Ops
Travaux pratiques (Atelier jeu de rôle Agile : Dans la peau du représentant métier)
Data Ops
Travaux pratiques (Atelier jeu de rôle Agile : Dans la peau du représentant métier)
Le choix des outils
Etat de l'art des outils/frameworks utilisés par les grandes sociétés (CAC40, grandes startups, GAFAM)
Comment choisir un framework de Machine Learning et/ou Data Science ?
Impacts sur les coûts des projets (Estimer le coût des outils (in)existants sur le projet, Estimer le coût des outils de collaboration, de déploiement, de monitoring sur les pojets Data)
Travaux pratiques (Simulations et retour d'expérience)
Comment choisir un framework de Machine Learning et/ou Data Science ?
Impacts sur les coûts des projets (Estimer le coût des outils (in)existants sur le projet, Estimer le coût des outils de collaboration, de déploiement, de monitoring sur les pojets Data)
Travaux pratiques (Simulations et retour d'expérience)
Les critères d'un bon modèle pour la production
Portabilité du modèle
Scalabilité
Utilisabilité par les applications métiers
Testabilité
Scalabilité
Utilisabilité par les applications métiers
Testabilité
Les différents formats de modèles
Pickle
ONNX
PMML
POJO & MOJO
ONNX
PMML
POJO & MOJO
Déployer en production
Entraîner le modèle en production (Batch training, Real-time training)
Batch vs real-time prediction : impact sur (les performances, les évaluations, les infrastructures, les coûts)
Monitorer et mesurer les écarts en production
Entraîner de façon continue les modèles (retrain, re-score, re-validate)
Mesurer le drift des modèles (automated model checking)
Remplacer l'ancien modèle en production par le nouveau amélioré
Travaux pratiques (Réalisation d'un modèle de Machine Learning, déploiement en production, monitoring )
Batch vs real-time prediction : impact sur (les performances, les évaluations, les infrastructures, les coûts)
Monitorer et mesurer les écarts en production
Entraîner de façon continue les modèles (retrain, re-score, re-validate)
Mesurer le drift des modèles (automated model checking)
Remplacer l'ancien modèle en production par le nouveau amélioré
Travaux pratiques (Réalisation d'un modèle de Machine Learning, déploiement en production, monitoring )
Mesurer la réussite d'un déploiement en production
Comment mesurer la réussite d'un déploiement ?
La mesure de la réussite des déploiements en CI sur un projet Data
Les métriques
La mesure de la réussite des déploiements en CI sur un projet Data
Les métriques
dates des formations a grenoble
dates des formations a SOPHIA ANTIPOLIS
formations associées