Industrialisation et Déploiement de Solutions IA

Objectifs & compétences

Public visé

Pré-requis

Programme

• Maîtriser les Architectures et Services IA des Hyperscalers – 4H00 – 2
• Optimiser et Monitorer l'Entraînement des Modèles IA – 2H00 – 1,2
• Maîtriser les Pratiques Avancées de Développement et de Déploiement de  Solutions d'IA – 16H00 – 1,2, 3

• Objectif : Comprendre les différents concepts d'architecture pour intégrer et déployer des modèles IA.
• Contenu :
• Exploration des principaux éléments d’architectures IA (microservices, containers, pipelines de déploiement) (C6, C7).
• Principes de packaging de modèles IA pour leur déploiement (Docker, Kubernetes, Serverless) (C6).
• Étude des meilleures pratiques pour assurer des performances et des coûts optimisés (C7, C9).
• Activité : Atelier d'analyse d'architectures existantes avec cas d'usage concret d'une solution IA.

• Objectif : Acquérir une compréhension des services IA fournis par AWS, Azure, et Google Cloud pour optimiser les pipelines d'IA.
• Contenu :
• Panorama des services cloud spécialisés pour l'IA : Amazon SageMaker, Azure Machine Learning, Google AI Platform (C6, C7).
• Intégration des solutions d’IA en cloud dans les pipelines de déploiement (C6, C7).
• Outils d’optimisation, gestion des coûts et monitoring des modèles en production (C9).
• Activité : Démonstration et mise en pratique des services hyperscalers pour le packaging et la gestion d’un modèle IA.

• Objectif : Comprendre et mettre en œuvre des techniques de monitoring pour suivre l’évolution de l’entraînement des modèles IA.
• Contenu :
• Introduction à TensorBoard pour visualiser les métriques d’entraînement (C5).
• Suivi des performances des modèles pendant et après l’entraînement (C8).
• Analyse des courbes de perte et d’accuracy pour affiner les modèles (C5, C9).
• Activité : Mise en place d’un tableau de bord TensorBoard pour un modèle en cours d’entraînement.

• Objectif : Utiliser des outils d’optimisation hyperparamétrique pour améliorer les performances des modèles IA.
• Contenu :
• Introduction à Optuna pour la recherche d’hyperparamètres (C4).
• Implémentation de l’optimisation dans un pipeline d’entraînement (C4, C9).
• Évaluation des résultats d’optimisation et ajustement des modèles (C8).
• Activité : Utilisation d’Optuna pour optimiser les hyperparamètres d’un modèle en temps réel.

• Objectif : Comprendre les composants essentiels d’une architecture système intégrant des solutions IA.
• Contenu :
• Éléments d’architecture d’un système d’information avec IA (C6).
• Intégration des briques IA dans un système existant (API, monitoring, déploiement) (C6, C7).
• Optimisation des architectures pour des critères de performance et de coûts (C7, C8).
• Activité : Analyse et conception d'une architecture simple pour intégrer un modèle IA.

• Objectif : Comprendre et appliquer les pratiques de MLOps pour améliorer le cycle de vie des modèles IA.
• Contenu :
• Gestion des versions de modèles IA (versioning) (C5, C9).
• Automatisation du développement avec CI/CD pour le déploiement de modèles (C6, C9).
• Monitoring des modèles et amélioration continue (C9).
• Activité : Mise en place d’un pipeline CI/CD pour un modèle IA, suivi du versioning du modèle.

• Objectif : Apprendre à déployer et rendre accessible un modèle IA via des API et services web.
• Contenu :
• Création et déploiement d’une API pour l’inférence IA (C6).
• Utilisation de frameworks (Flask, FastAPI) pour exposer les modèles (C6).
• Gestion des événements et intégration dans des systèmes existants (C8).
• Activité : Développer et exposer un modèle IA via une API avec Flask.

• Objectif : Développer une interface utilisateur simple pour visualiser et exploiter les résultats IA.
• Contenu :
• Introduction aux frameworks d’IHM (Tkinter, Flask, Django) pour le développement d’un MVP (C4, C6).
• Création d’une interface utilisateur pour interagir avec les modèles IA (C6).
• Intégration des modèles IA dans une application web (C6).
• Activité : Création d'une IHM basique avec Flask pour visualiser les résultats d’un modèle IA.

• Objectif : Connaître les principaux éléments d’architecture pour les projets IA et les adapter selon les besoins.
• Contenu :
• Principes de base de l'architecture logicielle pour les systèmes IA (C7).
• Infrastructure cloud et sur site pour héberger et déployer les solutions IA (C6, C7).
• Gestion des ressources pour l’IA (CPU, GPU, etc.) (C7, C8).
• Activité : Conception d’une architecture technique pour déployer un modèle IA dans un environnement cloud.

• Objectif : Être capable d'évaluer et de challenger des propositions techniques selon les critères de performance, coût, et écologie.
• Contenu :
• Analyse des performances des solutions IA (temps de réponse, efficacité) (C8).
• Optimisation des solutions pour un coût et une consommation énergétique réduits (C7, C9).
• Prise en compte des enjeux écologiques dans le développement des systèmes IA (C9).
• Activité : Étude de cas pour évaluer les performances d’un modèle IA selon plusieurs critères (coût, efficacité, écologie).

Modalités

Les certifications