Formation MLOps en Dartmouth

Cette formation en direct, animée par un instructeur à Dartmouth (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.

MLOps sur Kubernetes est un cadre de travail visant à automatiser l'entraînement, la validation, l'emballage et le déploiement de modèles d'apprentissage automatique à l'aide de pipelines conteneurisés et de flux de travail GitOps.

Cette formation en présentiel ou en ligne, animée par un formateur, s'adresse aux praticiens de niveau intermédiaire souhaitant concevoir des pipelines MLOps automatisés et évolutifs sur Kubernetes.

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

• Concevoir des pipelines CI/CD de bout en bout pour l'apprentissage automatique.
• Mettre en œuvre des flux de travail GitOps pour le déploiement et la gestion des versions des modèles.
• Automatiser l'entraînement, les tests et l'emballage des modèles ML.
• Intégrer des stratégies de surveillance, d'alerte et de retour en arrière (rollback).

Format de la formation

• Présentations guidées par un formateur et analyses techniques approfondies.
• Exerciques pratiques permettant de construire des workflows CI/CD réalistes.
• Pratique en laboratoire pour décharger des charges de travail ML sur Kubernetes.

Options de personnalisation de la formation

• Les organisations peuvent demander du contenu sur mesure aligné sur leurs outils et infrastructure 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 (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.

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 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 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.

Cette formation en direct, animée par un formateur (en ligne ou sur site), s'adresse aux ingénieurs en apprentissage automatique qui souhaitent utiliser Azure Machine Learning et Azure DevOps pour faciliter les pratiques de MLOps.

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

• Construire des flux de travail reproductibles et des modèles d'apprentissage automatique.
• Gérer le cycle de vie de l'apprentissage automatique.
• Suivre et rapporter l'historique des versions des modèles, les ressources, et plus encore.
• Déployer des modèles d'apprentissage automatique prêts pour la production, partout.