Formation MLOps en Dartmouth

Cette formation en direct avec instructeur à Dartmouth (en ligne ou sur site) s'adresse aux ingénieurs en IA de niveau avancé et aux scientifiques des données ayant une expérience intermédiaire à avancée qui souhaitent améliorer les performances des modèles DeepSeek, minimiser la latence et déployer des solutions d'IA efficacement en utilisant des pratiques modernes MLOps.

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

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

MLOps sur Kubernetes est un cadre permettant d'automatiser la formation, la validation, le conditionnement et le déploiement de modèles d'apprentissage automatique en utilisant des pipelines conteneurisés et des workflows GitOps.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux praticiens de niveau intermédiaire qui souhaitent construire des pipelines MLOps automatisées et évolutives sur Kubernetes.

Après avoir suivi cette formation, les participants seront équipés pour :

• Concevoir des pipelines CI/CD complets pour l'apprentissage automatique.
• Mettre en œuvre des workflows GitOps pour le déploiement et la gestion de versions des modèles.
• Automatiser la formation, les tests et le conditionnement des modèles d'apprentissage automatique.
• Intégrer des stratégies de surveillance, d'alerte et de retour en arrière.

Format du cours

• Présentations guidées par un instructeur et plongées techniques approfondies.
• Exercices pratiques qui construisent des workflows CI/CD réels.
• Pratique en laboratoire vivant pour déployer des charges de travail d'apprentissage automatique sur Kubernetes.

Options de personnalisation du cours

• Les organisations peuvent demander un contenu adapté en accord avec leurs outils et infrastructures MLOps internes.

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.

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 direct avec instructeur en Dartmouth (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.

Cette formation en direct avec instructeur en Dartmouth (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 (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 et en direct à Dartmouth (en ligne ou sur place) est destinée aux ingénieurs qui souhaitent 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 cadres et outils MLOps.
• Constituer 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 ML.
• Comprendre les composants d'un pipeline ML et les outils nécessaires pour en construire un.
• Expérimenter avec différents cadres et serveurs de machine learning pour le déploiement en production.
• Industrialiser l'ensemble du processus de Machine Learning afin qu'il soit reproductible et maintenable.

Cette formation dirigée par un instructeur (en ligne ou sur site) est destinée aux ingénieurs en apprentissage automatique qui souhaitent utiliser Azure Machine Learning et Azure DevOps pour faciliter les pratiques MLOps.

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

• Construire des workflows et des modèles d'apprentissage automatique reproductibles.
• Gérer le cycle de vie de l'apprentissage automatique.
• Suivre et signaler l'historique des versions des modèles, les actifs et plus encore.
• Déployer des modèles d'apprentissage automatique prêts pour la production n'importe où.