Prenez contact avec nous

Plan du cours

Introduction à la CI/CD pour les workflows IA

  • Défis spécifiques aux pipelines de livraison des modèles IA.
  • Comparaison entre les processus DevOps traditionnels et ceux du MLOps.
  • Composants clés du déploiement automatisé des modèles.

Containerisation des modèles IA avec Docker

  • Conception de Dockerfiles efficaces pour l’inférence ML.
  • Gestion des dépendances et des artefacts des modèles.
  • Construction d’images sécurisées et optimisées.

Mise en place des pipelines CI/CD

  • Options d’outils CI/CD et leurs écosystèmes respectifs.
  • Création de pipelines pour le conditionnement automatisé des modèles.
  • Validation des pipelines par des vérifications automatisées.

Tests des modèles IA en intégration continue (CI)

  • Automatisation des vérifications d’intégrité des données.
  • Tests unitaires et d’intégration pour les services de modèles.
  • Validation des performances et détection de la régression.

Déploiement automatisé des services IA basés sur Docker

  • Déploiement de conteneurs IA dans des environnements cloud.
  • Mise en œuvre des déploiements « blue-green » et du canarying.
  • Stratégies de rollback en cas d’échec du déploiement.

Gestion des versions des modèles et des artefacts

  • Utilisation des registres pour le contrôle de version des modèles et des conteneurs.
  • Tagging, signature et promotion des images.
  • Coordination des mises à jour des modèles entre les services.

Surveillance et observabilité dans la CI/CD pour l’IA

  • Suivi des performances des pipelines et des modèles.
  • Alertes en cas d’échec des builds ou de dérive du modèle (model drift).
  • Traçage du comportement de l’inférence entre les environnements.

Mise à l’échelle des pipelines CI/CD pour les systèmes IA

  • Parallélisation des builds pour les grands modèles.
  • Optimisation des ressources de calcul et de stockage.
  • Intégration d’exécutants distribués et distants.

Synthèse et prochaines étapes

Pré requis

  • Une compréhension du cycle de vie des modèles d’apprentissage automatique.
  • De l’expérience en containerisation avec Docker.
  • Une familiarité avec les concepts et pipelines CI/CD.

Public cible

  • Ingénieurs DevOps.
  • Équipes MLOps.
  • Ingénieurs AI-ops.
 21 Heures

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires