Prenez contact avec nous

Plan du cours

Introduction au CI/CD pour les workflows d'IA

  • Défis spécifiques aux pipelines de livraison des modèles d'IA
  • Comparaison entre les processus DevOps traditionnels et ceux du MLOps
  • Composants clés du déploiement automatisé des modèles

Conteneurisation des modèles d'IA avec Docker

  • Conception de Dockerfiles efficaces pour l'inférence ML
  • Gestion des dépendances et des artefacts des modèles
  • Construction d'images sécurisées et optimisées

Mise en place des pipelines CI/CD

  • Options d'outils CI/CD et leurs écosystèmes respectifs
  • Construction de pipelines pour le packaging automatisé des modèles
  • Validation des pipelines grâce à des contrôles automatisés

Test des modèles d'IA dans le CI

  • Automatisation des vérifications d'intégrité des données
  • Tests unitaires et d'intégration pour les services de modèle
  • Validation des performances et détection de la régression

Déploiement automatisé des services d'IA basés sur Docker

  • Déploiement de conteneurs d'IA dans des environnements cloud
  • Mise en œuvre des déploiements blue-green et canary
  • Stratégies de rollback en cas de échec du déploiement

Gestion des versions des modèles et des artefacts

  • Utilisation de registres pour le contrôle de version des modèles et des conteneurs
  • Ajout de tags, signature et promotion des images
  • Coordination des mises à jour des modèles entre les différents services

Surveillance et observabilité dans le CI/CD pour l'IA

  • Suivi des performances des pipelines et des modèles
  • Alerter en cas d'échec des builds ou de dérive des modèles (model drift)
  • Traçabilité du comportement d'inférence à travers les environnements

Mise à l'échelle des pipelines CI/CD pour les systèmes d'IA

  • Parallelisation des builds pour les grands modèles
  • Optimisation des ressources de calcul et de stockage
  • Intégration d'agents (runners) distribués et distants

Résumé et prochaines étapes

Pré requis

  • Une compréhension des cycles de vie des modèles de machine learning
  • De l'expérience avec la conteneurisation Docker
  • Une familiarité avec les concepts et les pipelines CI/CD

Audience cible

  • Ingénieurs DevOps
  • Équipes MLOps
  • Ingénieurs AI-ops
 21 Heures

Nombre de participants


Prix par participant

Cours à venir

Catégories Similaires