Prenez contact avec nous

Plan du cours

Introduction au CI/CD pour les workflows d'IA

  • Défis uniques des pipelines de livraison des modèles d'IA.
  • Comparaison des processus DevOps traditionnels et MLOps.
  • Composants clés du déploiement automatisé des modèles.

Conteneurisation des modèles d'IA avec Docker

  • Conception de fichiers Docker efficaces pour l'inférence ML.
  • Gestion des dépendances et des artefacts du modèle.
  • Construction d'images sécurisées et optimisées.

Mise en place des pipelines CI/CD

  • Options d'outils CI/CD et leurs écosystèmes.
  • Construction de pipelines pour le conditionnement automatisé des modèles.
  • Validation des pipelines via des vérifications automatisées.

Tests des modèles d'IA en intégration continue (CI)

  • Automatisation des vérifications de l'intégrité des données.
  • Tests unitaires et d'intégration pour les services de modèle.
  • Validation des performances et régression.

Déploiement automatisé des services d'IA basés sur Docker

  • Déploiement des conteneurs d'IA dans des environnements cloud.
  • Mise en œuvre des déploiements bleu-vert et canari (canary rollouts).
  • Stratégies de rollback en cas de déploiements échoués.

Gestion des versions et des artefacts du modèle

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

Surveillance et observabilité dans le CI/CD pour l'IA

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

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

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

Résumé et prochaines étapes

Pré requis

  • Une compréhension des cycles de vie des modèles d'apprentissage automatique (Machine Learning).
  • De l'expérience avec la conteneurisation Docker.
  • Une familiarité avec les concepts et les pipelines CI/CD.

Audience cible

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

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires