MLOps Engineering sur AWS

Ce cours s’adresse à :

- Les ingénieurs MLOps qui souhaitent mettre en production et surveiller les modèles ML dans le cloud
AWS- Les ingénieurs DevOps qui seront chargés de déployer et de maintenir avec succès les modèles ML en production

Dans ce cours, vous apprendrez à :

• Expliquer les avantages du MLOps
• Comparez DevOps et MLOps
• Évaluez les exigences de sécurité et de gouvernance d’un cas d’utilisation de ML et décrivez les solutions et stratégies d’atténuation possibles.
• Configurer des environnements d’expérimentation pour le MLOps avec Amazon SageMaker
• Expliquer les bonnes pratiques pour la gestion des versions et le maintien de l’intégrité des ressources du modèle ML (données, modèle et code)
• Décrire trois options pour créer un pipeline CI/CD complet dans un contexte de ML
• Rappeler les meilleures pratiques pour la mise en œuvre de l’empaquetage, des tests et du déploiement automatisés. (Données/modèle/code)
• Démonstration de la surveillance des solutions basées sur le ML
• Démontrer comment automatiser une solution de ML qui teste, empaquette et déploie un modèle de manière automatisée ; détecte la dégradation des performances ; et réentraîne le modèle sur les données nouvellement acquises

Jour 1

Module 1 : Introduction au MLOps

• Processus
• Gens
• Technologie
• Sécurité et gouvernance
• Modèle de maturité MLOps

Module 2 : MLOps initial : environnements d’expérimentation dans SageMaker Studio

• Amener le MLOps à l’expérimentation
• Configuration de l’environnement d’expérimentation ML
• Démonstration : Création et mise à jour d’une configuration de cycle de vie pour SageMaker Studio
• Atelier pratique : Provisionnement d’un environnement SageMaker Studio avec AWS Service Catalog
• Classeur : MLOps initial

Module 3 : MLOps reproductibles : Dépôts

• Gestion des données pour le MLOps
• Contrôle de version des modèles ML
• Dépôts de code dans ML

Module 4 : MLOps reproductible : Orchestration

• Pipelines ML
• Démonstration : Utilisation de SageMaker Pipelines pour orchestrer des pipelines de création de modèles

Jour 2

Module 4 : MLOps reproductible : Orchestration (suite)

• Orchestration de bout en bout avec AWS Step Functions
• Atelier pratique : Automatisation d’un flux de travail à l’aide des fonctions d’étape
• Orchestration de bout en bout avec SageMaker Projects
• Démonstration : Standardisation d’un pipeline ML de bout en bout avec les projets SageMaker
• Utilisation d’outils tiers pour la répétabilité
• Démonstration : Exploration de l’humain dans la boucle pendant l’inférence
• Gouvernance et sécurité
• Démonstration : Exploration des bonnes pratiques de sécurité pour SageMaker
• Classeur : MLOps reproductible

Module 5 : MLOps fiable : mise à l’échelle et tests

• Stratégies de mise à l’échelle et multi-comptes
• Essais et transfert du trafic
• Démonstration : Utilisation de SageMaker Inference Recommender
• Laboratoire pratique : Test des variantes de modèles

Jour 3

Module 5 : MLOps fiable : mise à l’échelle et tests (suite)

• Atelier pratique : Déplacer le trafic
• Classeur : Stratégies multi-comptes

Module 6 : MLOps fiable : surveillance

• L’importance de la surveillance dans le ML
• Atelier pratique : Surveillance d’un modèle pour la dérive des données
• Considérations opérationnelles pour la surveillance du modèle
• Résolution des problèmes identifiés par la surveillance des solutions de ML
• Classeur : MLOps fiable
• Atelier pratique : Création et dépannage d’un pipeline de ML

Nous recommandons aux participants de ce cours d’avoir :

• Notions techniques de base AWS (en classe ou numériques)
• Ingénierie DevOps sur AWS, ou expérience équivalente
• Science des données pratique avec Amazon SageMaker, ou expérience équivalente

Activités

Ce cours comprend des présentations, des travaux pratiques, des démonstrations, des vérifications des connaissances et des activités de cahier d’exercices.