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

Cette formation en direct, animée par un instructeur à Canada (en ligne ou sur site), s'adresse aux ingénieurs en IA de niveau avancé et aux scientifiques des données possédant une expérience intermédiaire à avancée, qui souhaitent améliorer les performances des modèles DeepSeek, réduire la latence et déployer des solutions d'IA de manière efficiente grâce aux pratiques modernes de MLOps.

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

• Optimiser les modèles DeepSeek pour l'efficacité, la précision et la scalabilité.
• Implémenter les meilleures pratiques en matière de MLOps et de versionnage des modèles.
• Déployer les modèles DeepSeek sur des infrastructures cloud et locales.
• Surveiller, maintenir et mettre à l'échelle efficacement les solutions d'IA.

DO180 est une introduction aux conteneurs, aux concepts fondamentaux de Kubernetes et à la plateforme Red Hat OpenShift, axée sur le développement de compétences pratiques.

Cette formation en direct animée par un instructeur (en ligne ou sur site) s'adresse aux professionnels techniques de niveau débutant à intermédiaire qui souhaitent apprendre les flux de travail liés aux conteneurs, les primitives de Kubernetes ainsi que les méthodes de déploiement et de gestion des applications sur OpenShift.

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

• Créer et gérer des images de conteneurs et des registres en suivant les meilleures pratiques en matière de reproductibilité et de sécurité.
• Déployer et gérer des objets Kubernetes, tels que les pods, les déploiements et les services, sur OpenShift.
• Utiliser les fonctionnalités d'OpenShift, notamment les routes, les BuildConfigs et la console Web, afin de simplifier la livraison des applications.
• Mettre en œuvre le stockage persistant, la gestion de la configuration et la gestion des secrets pour les charges de travail avec état (stateful).
• Appliquer des pratiques de base en matière de sécurité, de contrôle d'accès basé sur les rôles (RBAC) et de surveillance pour maintenir la santé des clusters et des applications.

Format du cours

• Conférences interactives et discussions.
• 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 cela.

Docker est une plateforme de conteneurisation utilisée pour créer des environnements reproductibles, portables et évolutifs pour les systèmes de ML.

Cette formation dirigée par un instructeur (en ligne ou en présentiel) s'adresse aux professionnels techniques de niveau intermédiaire à avancé qui souhaitent conteneuriser et opérationnaliser des pipelines ML complets à l'aide de Docker.

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

• Conteneuriser les charges de travail de formation, de validation et d'inférence du ML.
• Concevoir et orchestrer des pipelines ML de bout en bout en utilisant Docker et des outils compatibles.
• Mettre en œuvre le versionnement, la reproductibilité et les pipelines CI/CD pour les composants ML.
• Déployer, surveiller et mettre à l'échelle des services ML dans des environnements conteneurisés.

Format du cours

• Conférences interactives soutenues par des démonstrations pratiques.
• Exercices pratiques axés sur la création de composants réels de pipelines ML.
• Mise en œuvre en laboratoire en direct pour les workflows conteneurisés de bout en bout.

Options de personnalisation du cours

• Pour une formation personnalisée adaptée à des besoins spécifiques d'infrastructure ML, veuillez nous contacter afin de discuter des options.

Cette formation en direct, animée par un formateur, à <lieu> (en ligne ou sur site), s'adresse aux ingénieurs qui souhaitent utiliser Helm pour rationaliser 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 charts Helm.
• Exécuter des applications tierces enregistrées en tant que charts Helm.
• Gérer les versions des packages Helm.

Cette formation en direct, dirigée par un formateur à Canada (en ligne ou en présentiel), s'adresse aux développeurs et aux scientifiques des données qui souhaitent créer, déployer et gérer des flux de travail d'apprentissage automatique sur Kubernetes.

À la fin 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).
• Créer, déployer et gérer des flux de travail ML basés sur des conteneurs Docker et Kubernetes.
• Exécuter des pipelines complets d'apprentissage automatique sur diverses architectures et environnements cloud.
• Utiliser Kubeflow pour créer et gérer des notebooks Jupyter.
• Développer des charges de travail pour l'entraînement ML, l'ajustement des hyperparamètres et le déploiement sur plusieurs plateformes.

Cette formation en direct animée par un formateur en <lieu> (en ligne ou sur site) s'adresse 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 en mesure de :

• Installer et configurer Kubernetes, Kubeflow et d'autres logiciels nécessaires 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 de ML en production.
• Former et déployer des modèles de ML TensorFlow sur plusieurs GPU et machines fonctionnant en parallèle.
• Exploiter d'autres services gérés par AWS pour étendre une application de ML.

Cette formation en direct animée par un formateur à <lieu> (en ligne ou sur site) s'adresse aux ingénieurs qui souhaitent déployer des charges de travail d'apprentissage automatique sur le cloud Azure.

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

• Installer et configurer Kubernetes, Kubeflow et les autres logiciels nécessaires sur Azure.
• Utiliser le service Azure Kubernetes (AKS) pour simplifier l'initialisation d'un cluster Kubernetes sur Azure.
• Créer et déployer un pipeline Kubernetes pour automatiser et gérer les modèles d'apprentissage automatique en production.
• Former et déployer des modèles ML TensorFlow sur plusieurs GPU et machines fonctionnant en parallèle.
• Exploiter d'autres services gérés 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 (ML) sur Kubernetes.

Cette formation en direct, animée par un instructeur (en ligne ou sur site), s'adresse aux professionnels de niveau débutant à intermédiaire souhaitant concevoir des workflows ML fiables à l'aide de Kubeflow.

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

• Naviguer dans l'écosystème de Kubeflow et comprendre ses composants principaux.
• Créer des workflows reproductibles avec Kubeflow Pipelines.
• Exécuter des travaux d'entraînement évolutifs sur Kubernetes.
• Déployer efficacement des modèles d'apprentissage automatique à l'aide de Kubeflow Serving.

Format de la formation

• Présentations guidées et discussions collaboratives.
• Travaux pratiques avec des composants réels de Kubeflow.
• Exercices concrets pour construire des workflows ML de bout en bout.

Options de personnalisation de la formation

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

Cette formation en présentiel ou en ligne, animée par un formateur, s'adresse aux développeurs et aux scientifiques des données souhaitant créer, déployer et gérer des workflows de machine learning sur Kubernetes.

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

• Installer et configurer Kubeflow sur site et dans le cloud.
• Construire, déployer et gérer des workflows de ML basés sur des conteneurs Docker et Kubernetes.
• Exécuter l'ensemble des pipelines d'apprentissage machine sur diverses architectures et environnements cloud.
• Utiliser Kubeflow pour créer et gérer des notebooks Jupyter.
• Construire des charges de travail pour l'entraînement ML, le réglage des hyperparamètres et la mise en production, en les déployant sur plusieurs plateformes.

Cette formation en présentiel ou en ligne, dirigée par un instructeur, Canada s'adresse aux développeurs et aux professionnels de l'ingénierie DevOps de niveau débutant à intermédiaire qui souhaitent apprendre à configurer et gérer un environnement Kubernetes local à l'aide de Minikube.

À la fin 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 Minikube.
• Configurer des solutions de stockage persistant et de réseau pour Kubernetes.
• Utiliser Minikube pour le développement, les tests et le débogage d'applications.

Cette formation en direct, animée par un formateur à <lieu> (en ligne ou sur site), s’adresse aux développeurs et ingénieurs DevOps de niveau intermédiaire souhaitant intégrer Minikube à leur flux de travail de développement.

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

• Configurer et gérer un environnement Kubernetes local à l’aide de 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 grâce aux fonctionnalités avancées de Minikube.
• Appliquer les meilleures pratiques relatives au développement Kubernetes local.

Cette formation en présentiel (en ligne ou sur site) est destinée aux scientifiques des données souhaitant dépasser la simple création de modèles ML et optimiser le processus de création, de suivi et de déploiement des modèles.

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

• Installer et configurer MLflow ainsi que les bibliothèques et cadres de travail ML associés.
• Comprendre l'importance de la traçabilité, de la reproductibilité et de la déployabilité d'un modèle ML.
• Déployer des modèles ML sur différents nuages publics, plateformes ou serveurs sur site.
• Mettre à l'échelle le processus de déploiement ML pour accommoder plusieurs utilisateurs collaborant à un projet.
• Mettre en place un registre centralisé pour expérimenter, reproduire et déployer des modèles ML.

Cette formation animée par un instructeur dans <lieu> (en ligne ou en présentiel) s'adresse aux ingénieurs qui souhaitent évaluer les approches et les outils disponibles aujourd'hui afin de prendre une décision éclairée concernant l'adoption du MLOps au sein de leur organisation.

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

• Installer et configurer divers cadres et outils MLOps.
• Constituer la bonne équipe avec les compétences nécessaires pour construire et maintenir un système MLOps.
• Préparer, valider et versionner les données pour les utiliser dans des modèles de ML.
• Comprendre les composants d'un pipeline ML et les outils requis pour en construire un.
• Expérimenter différents cadres de machine learning et serveurs pour le déploiement en production.
• Industrialiser l'ensemble du processus de machine learning pour qu'il soit reproductible et maintenable.