MLOps Partie I : De Kafka à MLflow — Construire le pipeline complet d’entraînement et de prédiction

Qu’allez-vous apprendre ?

• Comprendre les fondamentaux du machine learning, des statistiques et des algorithmes
• Maîtriser le cycle de vie complet d’un modèle, de l’expérimentation à la mise en production
• Concevoir une architecture MLOps pour des systèmes prédictifs en temps réel
• Industrialiser les pipelines de données avec des outils comme Kafka
• Mettre en place des systèmes distribués robustes, scalables et hautement disponibles
• Suivre, versionner et gérer les modèles avec MLflow
• Orchestrer avec airflow
• Implémenter des architectures de stockage adaptées (PostgreSQL, S3/MinIO)
• Déployer des modèles via des API de serving et gérer l’inférence en temps réel
• Mettre en place la supervision, l’observabilité et l’alerting
• Construire des boucles de rétroaction pour améliorer continuellement les modèles
• Concevoir une plateforme complète orientée industrie 4.0 avec maintenance prédictive et dashboards métie