MLOps : Déploiement de Modèles IA

À l’issue de la formation, les participants seront capables de :

• Préparer un modèle machine learning pour son déploiement en production
• Conteneuriser un modèle avec Docker et l’exposer via une API web
• Mettre en place un pipeline de CI/CD adapté aux workflows IA
• Utiliser des outils de traçabilité et d’orchestration de modèles tels que MLflow et Airflow
• Comprendre les bonnes pratiques de monitoring et de versioning des modèles

Introduction au MLOps

• Définition du MLOps : objectifs, enjeux, différences avec DevOps
• Cycle de vie d’un modèle IA : entraînement, test, déploiement, surveillance
• Architecture type d’un projet IA industrialisé

Packaging et sauvegarde de modèles

• Sauvegarde de modèles avec Pickle, Joblib, ONNX
• Portabilité, compatibilité entre environnements (CPU/GPU)
• Gestion des dépendances avec virtualenv / requirements.txt

Création d’API pour modèles IA

• Mise en place d’une API REST avec FastAPI ou Flask
• Sérialisation des données d’entrée et sortie (JSON, NumPy, Pandas)
• Tests unitaires de l’API et endpoints prédictifs
• Sécurisation et documentation automatique (Swagger/OpenAPI)

Conteneurisation avec Docker

• Création d’une image Docker pour le modèle et l’API
• Structure d’un Dockerfile optimisé pour l’IA
• Déploiement local ou distant avec Docker CLI
• Notions de gestion des volumes, logs et configuration

Automatisation avec CI/CD

• Introduction à GitHub Actions : pipelines simples pour ML
• Automatisation des tests, du packaging et du déploiement
• Bonnes pratiques de versioning du code et des modèles
• Intégration dans une chaîne DevOps existante

Orchestration et suivi des modèles

• Présentation de MLflow : tracking des expériences, versioning des modèles
• Introduction à Apache Airflow : orchestration de tâches ML
• Détection des dérives de performance (concept drift)
• Perspectives : monitoring en production, scalability, cloud-native ML

• En cours de formation, par des études de cas ou des travaux pratiques
• Et, en fin de formation, par un questionnaire d'auto-évaluation