Descriptif

Gestion du cycle de vie des modèles avec MLflow est une formation de 2 jours (14 heures), de niveau intermédiaire, rattachée au domaine « Intelligence artificielle pour l'IT ». Gérer le cycle de vie des modèles avec MLflow. Conçue et animée par des praticiens en activité, elle alterne apports ciblés (30 %) et mises en pratique (70 %) sur des laboratoires cloud individuels, avec des cas inspirés des secteurs banque, assurance et services publics. Disponible en inter-entreprises, en intra sur catalogue et en version sur mesure adaptée au contexte de l'entreprise.

Objectifs pédagogiques

À l'issue de la formation, le participant sera capable de :

Suivre et versionner les modèles ML avec MLflow Tracking
Déployer et monitorer les modèles ML en production
Automatiser les expériences ML et gérer les pipelines
Configurer et gérer les environnements MLflow pour la collaboration en équipe
Analyser et comparer les performances des modèles via MLflow UI
Intégrer MLflow avec d'autres outils de MLOps et plateformes cloud

Programme détaillé

N°	Contenus et activités	Durée
Jour 1
1	Ouverture : attentes, installation de MLflow 3, de JupyterLab et du bac à sable Conda en Python 3.11	0,5 h
2	Composants MLflow : Tracking, Projects, Models et Model Registry, promotion par alias et étiquettes, serveur de suivi adossé à PostgreSQL	1,5 h
3	Travaux pratiques : instrumenter un entraînement et journaliser paramètres, métriques et artefacts	2 h
4	Travaux pratiques : configurer un serveur de suivi partagé, organiser les expériences d'équipe et les droits	1,5 h
5	Travaux pratiques : comparer des exécutions dans MLflow UI et désigner un modèle champion	1,5 h
Jour 2
6	Travaux pratiques : enregistrer un modèle, le versionner et piloter sa promotion par alias et étiquettes depuis un script, les étapes du registre étant abandonnées depuis MLflow 3	2 h
7	Travaux pratiques : servir le modèle, le conteneuriser avec Docker et le superviser avec Prometheus et Grafana	2,5 h
8	Démonstration commentée : orchestrer des exécutions MLflow depuis Airflow, puis exploiter MLflow managé sur Databricks — registre de modèles dans Unity Catalog et service de modèles	1 h
9	Révision ciblée du référentiel Databricks Certified Machine Learning Associate — registre dans Unity Catalog, AutoML, ingénierie de variables, Spark ML et service de modèles — et questions d'entraînement au format de l'examen (45 questions, 90 minutes)	1,5 h

Méthodes pédagogiques

Pédagogie active : 68 % du temps en pratique encadrée — laboratoires cloud provisionnés par participant, travaux pratiques guidés, fil rouge applicatif —, le reste en apports structurés, démonstrations commentées, cadrage et évaluation
répartition calculée sur le déroulé détaillé de cette formation, et non annoncée de façon uniforme
classe inversée avec prérequis sur le LMS
apprentissage adaptatif selon le positionnement initial
travaux en binômes
classe virtuelle en séquences de 3 h 30 maximum sur Microsoft Teams
support clair, complet et paginé remis à chaque participant

Technologies et outils mobilisés

LMS DATAROCKSTARS, Python 3.8+, MLflow (dernier stable), Jupyter Notebook / JupyterLab, Visual Studio Code, Docker, Git, Conda, PostgreSQL ou MySQL (pour backend MLflow Tracking), Prometheus & Grafana (pour monitoring), Airflow ou Kubeflow (optionnel pour orchestration)

Modalités d'évaluation et de validation

Positionnement initial en ligne
quiz de validation à chaque séquence
évaluation finale des acquis (QCM et mise en situation)
satisfaction à chaud
questionnaire de transfert à 30 jours
attestation de fin de formation
préparation et passage de la certification Databricks Certified Machine Learning Associate, examen en sus

Plateforme, laboratoires et ressources

LMS DATAROCKSTARS : parcours, supports numériques, quiz, évaluations, émargement par demi-journée
laboratoires cloud individuels accessibles depuis un navigateur, sans installation, données fictives, détruits en fin de session
bibliothèque O'Reilly (plus de 60 000 ressources)
accès aux supports pendant 6 mois