REF S033

Durée : 1 jour - Prix : 950€HT / Participant

MACHINE LEARNING, COMMENT FRANCHIR LE CAP DE L'INDUSTRIALISATION

Comprendre les enjeux de la mise production des modèles de Machine Learning en intégrant au plus tôt une stratégie d’exposition de leurs services

Introduction

Le Machine Learning est devenu un incontournable dans la stratégie de différentiation des entreprises. Même si les phases d’expérimentation se multiplient et sont de plus en plus éprouvées, la mise à disposition de services basés sur du Machine Learning est un processus beaucoup moins maitrisé. Le MLOps, Le DataOPS, le traitement de masse de données dédié au Machine Learning ainsi que le déploiement des modèles dans des flux de streaming, restent à maitriser pour réussir pleinement l’industrialisation du Machine Learning.

Ce séminaire présente une vue d’ensemble des domaines à maitriser dans une démarche d’industrialisation tant organisationnelle que technique.

Machine Learning : cas d’usage et contraintes

 

Pour industrialiser les modèles de Machine Learning, il est essentiel de s’approprier les grands domaines d’application du Machine Learning et leurs contraintes :

  • Impact des données dans le choix des modèles de Machine Learning
  • Motivations et apports du traitement CPU et GPU
  • Principe des modèles non déterministes : importance des jeux de données dans l’entrainement des modèles

 

Les stratégies de déploiement des modèles de Machine Learning

Le succès de la construction des services de Machine Learning passe par la compréhension de la chaîne complète de développement du Machine Learning.

  • Questions à se poser pour démarrer un projet de Machine Learning
  • Stratégie d’expérimentation et de déploiement des modèles de Machine Learning
  • Bonnes pratiques d’industrialisation

Compétences nécessaires au passage en production des modèles de Machine Learning

Définir les profils nécessaires ainsi que l’organisation sous-jacente au développement de services de Machine Learning

  • Définition des intervenants dans la chaine du Machine Learning
  • Organisation des équipes projet
  • Adaptation en fonction du niveau de maturité de l’entreprise sur les sujets data

Le Data Engineering prérequis à l’industrialisation du Machine Learning

Pour aborder l’industrialisation de Machine Learning, il est nécessaire d’industrialiser les flux de données

  • Enjeux du passage à l’échelle du traitement des données
  • Contraintes de traitement massif des données dans des processus de réentrainement automatique
  • Définition d’une roadmap intégrant les contraintes relatives au Data Engineering

MLOps et DataOps : comment fluidifier l’analyse des données et le réentrainement des modèles ?

Les Data Scientists créent des processus d’analyse et de modélisation statistique complexes. Leur automatisation est garante de la qualité des services de Machine Learning sur le long terme

  • Comprendre les concepts du DataOps et MLOps
  • Définir le réentrainement automatique et les bénéfices du MLOps dans sa mise en œuvre
  • Maitriser les enjeux du versioning de modèles, des traitements et des données

MLOps et traitements parallélisés : quels outils ?

Il est nécessaire de correctement s’outiller pour réussir l’automatisation et l’industrialisation du Machine Learning

  • Lister les différents outils pour industrialiser le Machine Learning
  • Disposer d’une vision pragmatique des compétences relatives à chaque outil
  • Comprendre comment les outils s’intègrent dans l’écosystème d’une plateforme data

Rôle des solutions de streaming de données dans l’exploitation des services de Machine Learning

De nombreux use cases nécessitent une exploitation des services de Machine Learning en temps réel

  • Comprendre les apports du Data Streaming pour une exploitation temps réel
  • Maitriser les enjeux de scalabilité et de reprise en cas d’erreur 
  • Définir une stratégie d’exploitation des services de Machine Learning en temps réel

Comment faire face au Legacy pour lancer ses projets de Machine Learning

  • Comprendre les apports du Data Streaming pour une exploitation temps réel
  • Common Data Warehouse pour servir l’opérationnel et la Data Science

Retours d’expérience

Echange autour de retours d’expérience projets. 

  • Présentation de contextes métier et cas d’usage 
  • Obstacles et limites techniques rencontrées, solutions apportées
  • Approche projet mise en œuvre
Pour toute demande spécifique ou formation intra-entreprise :
Contactez-nous !