Formation MLOps sur Kubernetes: Pipelines CI/CD pour l'apprentissage automatique

Cette formation en direct, dispensée par un formateur en France (en ligne ou sur site), s'adresse à des ingénieurs en IA et à des scientifiques de données de niveau avancé, disposant d'une expérience intermédiaire à avancée, et souhaitant améliorer les performances des modèles DeepSeek, réduire la latence et déployer des solutions d'IA efficacement grâce aux pratiques modernes de MLOps.

À l'issue de cette formation, les participants seront en mesure de :

• Optimiser les modèles DeepSeek en termes d'efficacité, de précision et d'évolutivité.
• Mettre en œuvre les meilleures pratiques en matière de MLOps et de gestion des versions de modèles.
• Déployer des modèles DeepSeek sur des infrastructures cloud et sur site.
• Surveiller, maintenir et mettre à l'échelle des solutions d'IA de manière efficace.

DO180 est une introduction aux conteneurs, aux fondamentaux de Kubernetes et aux concepts de la plateforme Red Hat OpenShift, axée sur l'acquisition de compétences pratiques.

Cette formation dirigée par un instructeur (en ligne ou sur site) s’adresse aux professionnels techniques débutants à intermédiaires qui souhaitent apprendre les flux de travail des conteneurs, les primitives Kubernetes et comment déployer et opérer des applications sur OpenShift.

À la fin de cette formation, les participants seront en mesure de :

• Construire et gérer des images de conteneurs et des registres avec les meilleures pratiques pour la reproductibilité et la sécurité.
• Déployer et gérer des objets Kubernetes tels que des pods, des déploiements et des services dans OpenShift.
• Utiliser les fonctionnalités d'OpenShift, notamment les routes, les buildconfigs et la console web, pour fluidifier la livraison d'applications.
• Mettre en œuvre un stockage persistant, une gestion de configuration et une gestion des secrets pour les charges de travail stateful.
• Appliquer des pratiques de sécurité basiques, de contrôle d'accès basé sur le rôle (RBAC) et de surveillance pour maintenir des clusters et applications sains.

Format du cours permettant d'évaluer les participants

• Cours interactif avec présentation et discussion.
• Ateliers pratiques dans un environnement OpenShift en direct chaque jour.
• Exercices basés sur des scénarios et ateliers de dépannage.

Options de personnalisation du cours

• Pour demander une formation personnalisée pour ce cours, veuillez nous contacter pour organiser un rendez-vous.

Docker est une plateforme de containerisation utilisée pour créer des environnements reproductibles, portables et évolutifs pour les systèmes d'apprentissage automatique (ML).

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux professionnels techniques de niveau intermédiaire à avancé qui souhaitent containeriser et opérationnaliser des pipelines ML complets en utilisant Docker.

À la fin de cette formation, les participants seront capables de :

• Containeriser les charges de travail d'entraînement, de validation et d'inférence ML.
• Concevoir et orchestrer des pipelines ML de bout en bout en utilisant Docker et des outils complémentaires.
• Mettre en œuvre le versionnement, la reproductibilité et l'intégration continue/déploiement continu (CI/CD) pour les composants ML.
• Déployer, surveiller et faire évoluer des services ML dans des environnements containerisés.

Format de la Formation

• Des conférences interactives accompagnées de démonstrations pratiques.
• Des exercices pratiques axés sur la construction de composants réels de pipelines ML.
• Une mise en œuvre en laboratoire live pour des workflows containerisés de bout en bout.

Options d'Adaptation du Cours

• Pour une formation personnalisée adaptée aux besoins spécifiques de l'infrastructure ML, veuillez nous contacter pour discuter des options.

Cette formation en présentiel dirigée par un instructeur (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent utiliser Helm pour simplifier le processus d'installation et de gestion des applications Kubernetes.

À la fin de cette formation, les participants seront en mesure de :

• Installer et configurer Helm.
• Créer des builds reproductibles d'applications Kubernetes.
• Partager des applications sous forme de chartes Helm.
• Exécuter des applications tierces sauvegardées sous forme de chartes Helm.
• Gérer les versions des packages Helm.

Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent construire, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.

À l'issue de cette formation, les participants seront en mesure de :

• Installer et configurer Kubeflow sur site et dans le cloud en utilisant AWS EKS (Elastic Kubernetes Service).
• Construire, déployer et gérer des flux de travail de ML basés sur des conteneurs Docker et Kubernetes.
• Exécuter des pipelines d'apprentissage automatique complets sur diverses architectures et environnements en nuage.
• Utiliser Kubeflow pour créer et gérer des carnets Jupyter.
• Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux ingénieurs qui souhaitent déployer des charges de travail d'apprentissage automatique sur un serveur AWS EC2.

À la fin de cette formation, les participants seront capables de :

• Installer et configurer Kubernetes, Kubeflow et tout autre logiciel nécessaire sur AWS.
• Utiliser EKS (Elastic Kubernetes Service) pour simplifier l'initialisation d'un cluster Kubernetes sur AWS.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
• Former et déployer des modèles ML TensorFlow sur plusieurs GPU et machines fonctionnant en parallèle.
• Utiliser d'autres services gérés AWS pour étendre une application ML.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux ingénieurs souhaitant déployer des charges de travail d'apprentissage automatique dans le cloud Azure.

À la fin de cette formation, les participants seront capables de :

• Installer et configurer Kubernetes, Kubeflow et tout autre logiciel nécessaire sur Azure.
• Utiliser Azure Kubernetes Service (AKS) pour simplifier l'initialisation d'un cluster Kubernetes sur Azure.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles ML en production.
• Former et déployer des modèles ML TensorFlow sur plusieurs GPU et machines exécutées en parallèle.
• Exploiter d'autres services managés AWS pour étendre une application ML.

Kubeflow est une plateforme open-source conçue pour simplifier la création, l'entraînement et le déploiement de charges de travail d'apprentissage automatique sur Kubernetes.

Cette formation dirigée par un formateur (en ligne ou sur site) est destinée aux professionnels de niveau débutant à intermédiaire qui souhaitent créer des flux de travail fiables en utilisant Kubeflow.

À la fin de cette formation, les participants acquerront les compétences nécessaires pour :

• Naviguer dans l'écosystème Kubeflow et ses composants principaux.
• Créer des flux de travail reproductibles avec Kubeflow Pipelines.
• Exécuter des tâches d'entraînement évolutives sur Kubernetes.
• Déployer efficacement des modèles d'apprentissage automatique en utilisant Kubeflow Serving.

Format de la Formation

• Présentations guidées et discussions collaboratives.
• Laboratoires pratiques avec des composants Kubeflow réels.
• Exercices pratiques pour créer des flux de travail d'apprentissage automatique complets.

Options de Personnalisation de la Formation

• Des versions personnalisées de cette formation peuvent être organisées pour s'aligner avec la pile technologique et les exigences de projet de votre équipe.

Cette formation en direct avec instructeur en France (en ligne ou sur site) est destinée aux développeurs et aux scientifiques des données qui souhaitent construire, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.

À l'issue de cette formation, les participants seront en mesure de :

• Installer et configurer Kubeflow sur site et dans le cloud.
• Construire, déployer et gérer des flux de travail d'apprentissage automatique basés sur les conteneurs Docker et Kubernetes.
• Exécuter des pipelines d'apprentissage machine complets sur diverses architectures et environnements cloud.
• Utiliser Kubeflow pour créer et gérer des carnets Jupyter.
• Construire des charges de travail d'entraînement ML, de réglage d'hyperparamètres et de service sur plusieurs plateformes.

Cette formation en direct dans France (en ligne ou sur site) est destinée aux développeurs de logiciels de niveau débutant à intermédiaire et aux professionnels DevOps qui souhaitent apprendre à mettre en place et à gérer un environnement local Kubernetes à l'aide de Minikube.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer Minikube sur leur machine locale.
• Comprendre les concepts de base et l'architecture de Kubernetes.
• Déployer et gérer des conteneurs en utilisant kubectl et le tableau de bord de Minikube.
• Mettre en place des solutions de stockage persistant et de réseau pour Kubernetes.
• Utiliser Minikube pour développer, tester et déboguer des applications.

Cette formation en direct dans France (en ligne ou sur site) est destinée aux développeurs de niveau intermédiaire et aux ingénieurs DevOps qui souhaitent utiliser Minikube dans le cadre de leur processus de développement.

A l'issue de cette formation, les participants seront capables de :

• Mettre en place et gérer un environnement local Kubernetes en utilisant Minikube.
• Comprendre comment déployer, gérer et déboguer des applications sur Minikube.
• Intégrer Minikube dans leurs pipelines d'intégration et de déploiement continus.
• Optimiser leur processus de développement en utilisant les fonctionnalités avancées de Minikube.
• Appliquer les meilleures pratiques pour le développement local Kubernetes.

Cette formation en direct (en ligne ou sur site) est destinée aux data scientists qui souhaitent aller au-delà de la construction de modèles ML et optimiser le processus de création, de suivi et de déploiement des modèles ML.

A l'issue de cette formation, les participants seront capables de :

• Installer et configurer MLflow et les bibliothèques et frameworks ML associés.
• Apprécier l'importance de la traçabilité, de la reproductibilité et de la déployabilité d'un modèle ML
• Déployer des modèles de ML sur différents clouds publics, plateformes ou serveurs sur site.
• Mettre à l'échelle le processus de déploiement du ML afin d'accommoder plusieurs utilisateurs collaborant à un projet.
• Mettre en place un registre central pour expérimenter, reproduire et déployer des modèles de ML.

Cette formation dirigée par un instructeur en France (en ligne ou sur site) s'adresse aux ingénieurs souhaitant évaluer les approches et outils disponibles aujourd'hui pour prendre une décision éclairée quant à l'adoption de MLOps au sein de leur organisation.

À la fin de cette formation, les participants seront en mesure de :

• Installer et configurer divers frameworks et outils MLOps.
• Composer l'équipe appropriée avec les compétences nécessaires pour construire et soutenir un système MLOps.
• Préparer, valider et versionner des données pour leur utilisation par des modèles d'apprentissage automatique.
• Comprendre les composants d'un pipeline ML et les outils nécessaires pour le construire.
• Expérimenter avec différents frameworks et serveurs d'apprentissage automatique pour le déploiement en production.
• Industrialiser l'ensemble du processus d'apprentissage automatique afin qu'il soit reproductible et maintenable.