[{"data":1,"prerenderedAt":45},["ShallowReactive",2],{"course-mlops-industrialiser-les-modeles-d-apprentissage":3,"highlight-yaml-stages: [entrainemen":44},{"id":4,"name":5,"slug":6,"location":7,"targetAudienceFormatMarkdown":8,"prerequisitesFormatMarkdown":9,"objectivesFormatMarkdown":10,"descriptionFormatMarkdown":11,"teachingMethodsFormatMarkdown":12,"teachingResourcesFormatMarkdown":13,"evaluationMethodsFormatMarkdown":14,"accessibilityFormatMarkdown":15,"accessMethodsFormatMarkdown":16,"minimumParticipants":7,"maximumParticipants":7,"duration":17,"reference":18,"trainerType":7,"updated_at":19,"created_at":20,"price":21,"organizationMode":22,"theme":25,"code":29,"tags":34,"metadata":35},"/api/courses/bc8a903f-b343-11f1-a993-d8ca06000363","MLOps : industrialiser les modèles d'apprentissage","mlops-industrialiser-les-modeles-d-apprentissage",null,"Data scientists, ingénieurs IA, ingénieurs DevOps, architectes, responsables de plateformes de données.","-   Connaissance de l'apprentissage automatique et des principes de l'intégration continue.","-   versionner données, code et modèles de façon reproductible\n-   automatiser l'entraînement, l'évaluation et le déploiement d'un modèle\n-   superviser un modèle en production et détecter sa dérive\n-   organiser le réentraînement et la gestion des versions","--day1--\n\n## Cycle de vie d'un modèle\n\n-   Du prototype à la production : écarts et causes d'échec les plus fréquentes\n-   Rôles et responsabilités : science des données, ingénierie, exploitation\n-   Niveaux de maturité MLOps et trajectoire réaliste\n-   Panorama des plateformes et des outils\n-   Architecture cible d'une chaîne MLOps\n-   Travaux pratiques : diagnostic de maturité et conception de la chaîne cible\n\n--break--\n\n## Reproductibilité\n\n-   Versionnement du code, des données et des modèles\n-   Suivi des expérimentations : paramètres, métriques, artefacts\n-   Environnements reproductibles et gestion des dépendances\n-   Registre de modèles et cycle de validation\n-   Traçabilité complète d'un modèle en production\n-   Travaux pratiques : mise en place du suivi d'expérimentations et du registre de modèles\n\n--day2--\n\n## Automatiser l'entraînement\n\n-   Pipeline d'entraînement automatisé : données, entraînement, évaluation, enregistrement\n-   Validation automatique des données d'entrée\n-   Seuils de qualité conditionnant la promotion d'un modèle\n-   Gestion des ressources de calcul et des coûts\n-   Déclenchement : planifié, sur données nouvelles, sur dérive détectée\n-   Travaux pratiques : construction d'un pipeline d'entraînement automatisé\n\n--break--\n\n## Déployer un modèle\n\n-   Modes de service : par lots, en ligne, en flux, embarqué\n-   Conteneurisation et interface de service\n-   Stratégies de déploiement : progressif, parallèle, test comparatif\n-   Retour arrière et gestion des versions en production\n-   Cohérence entre les traitements d'entraînement et d'inférence\n-   Travaux pratiques : déploiement d'un modèle avec bascule progressive\n\n--day3--\n\n## Superviser et détecter la dérive\n\n-   Supervision technique : latence, disponibilité, taux d'erreur\n-   Supervision métier : distribution des prédictions, performance réelle\n-   Dérive des données et dérive du concept : détection et alertes\n-   Retour terrain et étiquetage des cas réels\n-   Déclenchement du réentraînement et validation\n-   Travaux pratiques : mise en place de la supervision et simulation d'une dérive\n\n--break--\n\n## Gouvernance et exploitation\n\n-   Documentation du modèle : usage prévu, limites, populations concernées\n-   Conformité et traçabilité exigées par le règlement sur l'IA\n-   Gestion des incidents liés à un modèle en production\n-   Coûts d'exploitation et arbitrages\n-   Organisation et transfert à une équipe d'exploitation\n-   Travaux pratiques : rédaction de la documentation de production du modèle déployé","Présentiel, distanciel, hybride","Les supports pédagogiques sont remis aux stagiaires sous format numérique et/ou papier selon les modalités de la formation.\n\nIls comprennent des supports de cours, des présentations, des fiches pratiques, des études de cas, des exercices applicatifs ainsi que des QCM d’entraînement selon la formation. (adapté au choix du formateur)\n\nLes formations s’appuient sur des moyens techniques adaptés : ordinateurs, logiciels professionnels, connexion internet, écran ou vidéoprojecteur, ainsi que des outils collaboratifs et de visioconférence pour les formations à distance.\n\nL’ensemble des supports pédagogiques est accessible pendant et après la formation afin de favoriser l’appropriation et la mise en pratique des compétences acquises.","En amont de la formation, un recueil des besoins permet de récolter des informations sur le stagiaire et ses attentes. L’évaluation se fait en cours de formation, par des études de cas ou des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation et/ou un examen.\n\nUn suivi de qualité est effectué grâce à nos sessions en groupe restreint (entre 2 et 9 participants maximum). Le stagiaire émargera par demi-journée et recevra une attestation de formation.","Nous informons l’ensemble de nos clients et stagiaires que nous sommes dans la capacité d’adapter les sessions selon les handicaps et les situations spécifiques. Nous nous engageons à répondre à toutes vos demandes sous un délai de 48h ouvré.","Si l’une de nos formations vous intéresse, contactez-nous au +33 4 93 65 34 24 ou à l’adresse mail contact@m2g-intellect.fr. Selon votre besoin et vos attentes, nous organiserons un échange téléphonique avec le formateur pressenti afin d’adapter la formation et ses modules, puis nous vous adresserons un devis.\n\nLes dates de la formation seront à convenir sous 30 jours maximum.","21.00","L2-ITE-16","2026-09-18T11:42:27+00:00","2026-09-18T11:31:33+00:00","2400.00",{"id":23,"name":24},"/api/organization_mode_types/6","HYBRID",{"id":26,"name":27,"slug":28},"/api/themes/1bfd6e41-c2b0-4813-a29b-c9e1c486b5d0","Intelligence Artificielle","intelligence-artificielle",{"id":30,"label":31,"domain":32},"/api/training_specialities/163","326 - Informatique, traitement de l’information, réseaux de transmission des données",{"label":33},"32 - Communication et information",[],{"desc-accroche":36,"Description":37,"icon-color":38,"icon-name":39,"code-langage":40,"code-snippet":41,"courte-description":42,"titre-accroche":43},"Trois jours pour versionner données, code et modèles de façon reproductible, automatiser l'entraînement, l'évaluation et le déploiement, superviser un modèle en production et détecter sa dérive, puis organiser le réentraînement.","Cette formation de trois jours sort les modèles d'apprentissage automatique des carnets de notes pour les amener en production de façon reproductible et gouvernée. Les participants versionnent conjointement les données, le code et les modèles, condition de toute reproductibilité, puis automatisent l'entraînement, l'évaluation et le déploiement dans un pipeline continu. Une part importante est consacrée à la supervision d'un modèle en production : suivi des métriques de performance, détection de la dérive des données (data drift) et du modèle, et déclenchement d'alertes. La formation traite enfin l'organisation du réentraînement périodique et la gestion des versions successives d'un même modèle. Elle s'adresse aux data scientists, ingénieurs IA, ingénieurs DevOps, architectes et responsables de plateformes de données connaissant l'apprentissage automatique et l'intégration continue.","#3B5BDB","mdi:infinity","yaml","stages: [entrainement, evaluation, deploiement]\nentrainement:\n  script: python train.py --data data/v3 --out modele.pkl\n  artifacts: { paths: [modele.pkl] }\nevaluation:\n  script: python evaluer.py modele.pkl --seuil-f1 0.85\ndeploiement:\n  script: mlflow models serve -m modele.pkl -p 8080\n  when: on_success","MLOps : versionnement reproductible, automatisation de l'entraînement et du déploiement, supervision de la dérive et réentraînement des modèles.","Industrialisez vos modèles d'apprentissage automatique : versionnement, automatisation, déploiement, supervision et réentraînement.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-yaml\">\u003Cspan class=\"hljs-attr\">stages:\u003C/span> [\u003Cspan class=\"hljs-string\">entrainement\u003C/span>, \u003Cspan class=\"hljs-string\">evaluation\u003C/span>, \u003Cspan class=\"hljs-string\">deploiement\u003C/span>]\n\u003Cspan class=\"hljs-attr\">entrainement:\u003C/span>\n  \u003Cspan class=\"hljs-attr\">script:\u003C/span> \u003Cspan class=\"hljs-string\">python\u003C/span> \u003Cspan class=\"hljs-string\">train.py\u003C/span> \u003Cspan class=\"hljs-string\">--data\u003C/span> \u003Cspan class=\"hljs-string\">data/v3\u003C/span> \u003Cspan class=\"hljs-string\">--out\u003C/span> \u003Cspan class=\"hljs-string\">modele.pkl\u003C/span>\n  \u003Cspan class=\"hljs-attr\">artifacts:\u003C/span> { \u003Cspan class=\"hljs-attr\">paths:\u003C/span> [\u003Cspan class=\"hljs-string\">modele.pkl\u003C/span>] }\n\u003Cspan class=\"hljs-attr\">evaluation:\u003C/span>\n  \u003Cspan class=\"hljs-attr\">script:\u003C/span> \u003Cspan class=\"hljs-string\">python\u003C/span> \u003Cspan class=\"hljs-string\">evaluer.py\u003C/span> \u003Cspan class=\"hljs-string\">modele.pkl\u003C/span> \u003Cspan class=\"hljs-string\">--seuil-f1\u003C/span> \u003Cspan class=\"hljs-number\">0.85\u003C/span>\n\u003Cspan class=\"hljs-attr\">deploiement:\u003C/span>\n  \u003Cspan class=\"hljs-attr\">script:\u003C/span> \u003Cspan class=\"hljs-string\">mlflow\u003C/span> \u003Cspan class=\"hljs-string\">models\u003C/span> \u003Cspan class=\"hljs-string\">serve\u003C/span> \u003Cspan class=\"hljs-string\">-m\u003C/span> \u003Cspan class=\"hljs-string\">modele.pkl\u003C/span> \u003Cspan class=\"hljs-string\">-p\u003C/span> \u003Cspan class=\"hljs-number\">8080\u003C/span>\n  \u003Cspan class=\"hljs-attr\">when:\u003C/span> \u003Cspan class=\"hljs-string\">on_success\u003C/span>\u003C/code>\u003C/pre>",1789740846818]