AWS12 AWS : MLOps Engineering Formation officielle AWS MLOps Engineering on AWS

Jour 1

Module 1 : Introduction à la notion de MLOps

• Processus
• Les personnes
• Technologie
• Sécurité et gouvernance
• Le modèle de maturité MLOps

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

• Expérimenter avec MLOps
• Mettre en marche un environnement d'expérimentation MLOps
• Démonstration : Créer et mettre à jour la configuration du cycle de vie pour SageMaker Studio
• Mise en pratique : Mise en service d'un environnement SageMaker Studio avec le catalogue de Service AWS
• Classeur : MLOps initial

Module 3 : MLOps répétables : référentiels 

• Gestion des données avec MLOps
• Contrôle de version des modèles de Machine Learning 
• Référentiels de codes dans les Machines Learning 

Module 4 : Orchestration des MLOps répétables 

• Les pipelines
• Démonstration : Utilisation des pipelines SageMaker pour orchestrer les pipelines de création de modèle

Jour 2 

Module 4 (suite)

• Orchestration de bout en bout avec AWS Step Functions
• Mise en pratique : Automatiser un workflow avec Step Functions
• 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 "third-party" pour la répétition
• Démonstration : Exploration de la participation humaine lors de l'inférence
• Gouvernance et sécurité 
• Démonstration : Explorer les meilleures pratiques de sécurité pour SageMaker
• Cahier d'exercices : MLOps répétables

Module 5 : MLOps fiables : mise à l'échelle et tests

• Stratégies de mise à l'échelle et multi-comptes 
• Tests et déplacements de trafic
• Démonstration : Utilisation de SageMaker Inference Recommender
• Mise en pratique : Tester les variantes du modèles

Jour 3 

Module 5 (suite)

• Mise en pratique : Déplacement du trafic
• Classeur : Stratégies multi-comptes

Module 6 : MLOps fiables : Surveillance

• L'importance de surveiller ses ML
• Mise en pratique : Surveillance d'un modèle pour détecter la dérive des données 
• Considérations opérationnelles pour la surveillance des modèles 
• Correction des problèmes identifiés par la surveillance des solutions ML 
• Classeur : MLOps fiables 
• Mise en pratique : Création et dépannage d'un pipeline ML