1. Bootcamp de préparation
Lorsque vous serez officiellement inscrit, Blent.ai vous donnera accès à plusieurs remises à niveau pour revoir les concepts avancés de Python, manipuler les commandes systèmes UNIX, collaborer avec Git et prendre en main l'IDE Visual Studio Code.
Cette phase de préparation est disponible dès votre inscription à la formation, et vous pourrez poser toutes tes questions à leur équipe de Mentors sur Slack.
Ce que vous allez apprendre dans cette phase :
- Les fonctionnalités avancées du langage Python : gestion d'exceptions, décorateurs de fonctions, opérateur lambda.
- Utiliser Git pour le versioning de code.
- Les commandes essentielles UNIX et l'utilisation d'une connexion SSH à un serveur distant.
- Utiliser Visual Studio Code en tant qu'environnement de développement intégré.
- Les bases du Cloud Computing et les concepts essentiels de virtualisation.
2. Ingénierie logicielle et AutoML
L’ingénierie logicielle consiste à concevoir des codes sources propres, optimisés et documentés. Lorsque l’on conçoit des algorithmes de Machine Learning, le code utilisé peut avoir un impact sur les performances du modèle : il est donc très important de fournir une architecture de code adaptée.
Vous verrez les bonnes pratiques pour développer en équipe avec les outils que tout ML Engineer doit savoir maîtriser lorsqu'il code. Qu'il s'agisse de pipelines ML avec Kedro, de linting avec flake8 ou encore de tests logiciels sur les modèles, cette étape indispensable vous donnera les bases pour avancer sereinement vers le déploiement de modèles.
Ce que vous allez apprendre dans cette phase :
- L'AutoML et les méthodes d'optimisation bayésiennes des hyper-paramètres.
- L'implémentation de pipelines Machine Learning uniformes avec Kedro.
- Les bonnes pratiques de développement Python : tests unitaires avec pytest, environnements, linting avec flake8 et refactoring.
3. Déploiement de modèles
Le déploiement est la compétence principale du ML Engineer : mettre en production des modèles sur des serveurs dans le Cloud. Bien sûr, il devra monitorer et gérer le cycle de vie des modèles avec MLflow afin de ne pas se mélanger entre les différentes versions.
De plus, la maîtrise des architectures API types REST est indispensable : la grande majorité des serveurs Web sont des API REST, ils seront développés avec Flask. Enfin, la conteneurisation avec Docker permettra au ML Engineer d'encapsuler son API et de l'isoler sur plusieurs serveurs : efficace pour versioner son API et mettre à l'échelle en cas de forte de demandes.
Ce que vous allez apprendre dans cette phase :
- Intégrer le cycle de vie des modèles de Machine Learning et utiliser des registres de modèles avec MLflow.
- Encapsuler des modèles de Machine Learning dans une API REST avec Flask et conteneuriser avec Docker.
- Séparer les différentes infrastructures entre un environnement de pré-production et de production.
- Déployer une API sur du serverless dans le Cloud.
4. MLOps
Le MLOps est la discipline qui consiste à automatiser le déploiement de modèles de Machine Learning par l'intermédiaire de pipelines. Mélange de DevOps et de Data Science, le MLOps est une compétence indispensable pour la mise en production efficace de modèles.
Vous développerez des pipelines automatisés avec Apache Airflow pour pouvoir collecter automatiquement des données qui arrivent en continu et pour entraîner des modèles de Machine Learning en temps réel. Avec la puissance de calcul disponible sous Kubernetes, vous serez capable d'automatiser des pipelines d'expérimentation et de déploiement de modèles de Machine Learning avec Kubeflow, un acteur incontournable dans le domaine.
Ce que vous allez apprendre dans cette phase :
- Construire des pipelines CI/CD et mettre en place une approche GitOps pour les dépôts de code source de Machine Learning.
- Utiliser Kubernetes en tant que plateforme de déploiement pour exécuter des modèles sous forme d'API.
- Installer un serveur Airflow et automatiser l'entraînement des modèles de Machine Learning sans intervention humaine.
- Surveiller la dérive de modèle et journaliser les événements relatifs à l'API.
