Data et Intelligence Artificielle
Cette formation de deux jours est destinée aux développeurs, data scientists et data engineers. Elle fournit une compréhension approfondie des modèles d’IA générative, en particulier des Large Language Models (LLM), et aborde les meilleures pratiques pour les déployer efficacement en production.
L’accent est mis sur l’acquisition de compétences pratiques dans l’utilisation des outils de l’IA, le fine-tuning des modèles et la gestion éthique de l’IA.
Objectifs pédagogiques
À l’issue de la formation, l’apprenant sera en mesure de :
- Comprendre les fondamentaux de l’IA, du Machine Learning (ML) et du Deep Learning.
- Maîtriser les principes de l’IA générative.
- Mettre en production des modèles d’IA générative.
- Utiliser les principaux outils d’IA pour le déploiement.
- Adopter une approche éthique et responsable dans le développement de l’IA.
Public visé
Développeurs, architectes logiciels, chefs de projet techniques et professionnels impliqués dans le déploiement et la gestion d’applications conteneurisées.
Connaissances de base en développement d’ applications et notions de conteneurs/virtualisation recommandées.Développeurs, Data scientists et Data engineers souhaitant déployer et maintenir des modèles d’IA générative en production.
Prérequis : Bases en Machine Learning, Data Science, Python, bibliothèques courantes (Pandas, Scikit-Learn) et outils de développement (Git, Docker).
Modalités
Formation pratique : supports de cours, études de cas, exercices.
Évaluation via QCM, mises en situation et travaux pratiques.
Feuille d’émargement remise chaque demi-journée.
Attestation délivrée en fin de session complète.
Tarif & durée
1 400 € HT par participant
2 jours (14 heures)
Présentiel ou Distanciel
Dates
Du 22/05/2025 au 23/05/2025
Du 26/06/2025 au 27/06/2025
Programme de la formation
1. Introduction à MLOps et gestion des versions
- Définir MLOps, ses objectifs, et son importance pour la gestion du cycle de vie des modèles ML.
- Comparer MLOps à DevOps pour saisir les spécificités du machine learning.
- Explorer chaque étape du cycle de vie d’un modèle ML, de la collecte des données au déploiement.
2. Mise en place d’un pipeline d’intégration continue (CI) pour le ML
- Découvrir CI/CD dans le contexte ML et leur rôle dans l’automatisation.
- Configurer des tests pour garantir la qualité des données et modèles.
- Mettre en œuvre des pipelines pour le prétraitement, l’entraînement et la gestion des workflows (MLflow, Airflow).
3. Conteneurisation et déploiement
- Introduction aux concepts de CI/CD dans le contexte du machine learning.
- Configuration de tests pour la validation de données et de modèles.
- Automatisation du prétraitement et des entraînements grâce aux pipelines.
4. Surveillance et gestion en production
- Utiliser des outils comme Prometheus/Grafana pour surveiller les métriques des modèles.
- Configurer des notifications pour détecter les anomalies rapidement.
- Orchestrer et automatiser la gestion des modèles avec MLflow et Airflow.
Outils \ Méthodes \ Normes
