Description
Introduction aux opérations d'apprentissage automatique (MLOps): qualité des systèmes, motivations et approches. Conception de systèmes robustes, performants et évolutifs. Stratégies de déploiement de modèles en lot, en ligne, périphérie. Architectures et patrons avancés. Infrastructure de données: bases vectorielles, stockage à faible latence, stockage d'objets. Suivi d'expérimentations, registres de modèles et reproductibilité. Pipelines d'apprentissage automatique: entraînement, expérimentations orchestrées, transformation et ingestion de données. Validation des données et des modèles. Confiance et robustesse de l'IA: biais, équité, atténuation. Surveillance en production: dérives, déclencheurs de réentraînement. Expérimentations en production: livraison progressive, tests A/B, déploiement canari. Accélération matérielle: parallélisation, processeurs graphiques et tensoriels. Paquetage de modèles: quantification, distillation, environnements optimisés. Versionnage des données, gouvernance, traçabilité. Cycle de vie complet d'un système d'apprentissage automatique.