Passez vos modèles IA en production

Vous apprendrez à :

• Manipuler les vecteurs, matrices et embeddings dans un contexte de modèles IA.
• Comprendre le rôle des embeddings pour la similarité, la recherche sémantique et le RAG.
• Utiliser les statistiques pour suivre la qualité des données d’entrée et des prédictions.
• Poser les premières briques de monitoring : distributions, seuils, détection d’anomalies simples.

Vous apprendrez à :

• Construire des pipelines de données dédiés au Machine Learning (batch & near real‑time).
• Concevoir et documenter des features réutilisables pour plusieurs modèles.
• Mettre en place un Feature Store pour centraliser et partager les features.
• Versionner données, features et pipelines avec DVC / Git pour garantir la traçabilité.

Vous apprendrez à :

• Entraîner des modèles de régression et de classification avec Scikit‑Learn.
• Structurer vos expérimentations (train / validation / test, cross‑validation).
• Choisir et interpréter les bonnes métriques (AUC, F1, précision, rappel, etc.).
• Préparer vos modèles pour la production : sérialisation, signatures, dépendances.

Vous apprendrez à :

• Comprendre l’apport des Transformers pour le NLP et d’autres tâches (vision, multimodal).
• Utiliser le Hugging Face Hub pour sélectionner, tester et versionner des modèles pré‑entraînés.
• Mettre en œuvre du Transfer Learning sur des cas concrets (classification, Q&A…).
• Intégrer ces modèles dans une stack MLOps existante (tracking, serving, monitoring).

Vous apprendrez à :

• Instrumenter vos expériences avec MLflow (params, métriques, artefacts, modèles).
• Déployer un MLflow Tracking Server et structurer l’espace d’expérimentation de l’équipe.
• Utiliser le Model Registry pour gérer les versions de modèles (Staging, Production, Archive).
• Gérer le cycle de vie complet des modèles : promotion, rollback, audit, reproductibilité.

Vous apprendrez à :

• Exposer un modèle IA via une API robuste avec FastAPI & Pydantic.
• Concevoir et valider les schémas d’entrées / sorties des endpoints ML.
• Dockeriser une API de scoring et préparer des images prêtes pour le déploiement.
• Structurer des micro‑services IA et les intégrer dans une architecture existante.

Vous apprendrez à :

• Concevoir des prompts robustes pour des cas métiers concrets.
• Mettre en place un pipeline RAG de bout en bout : ingestion, chunking, embeddings, indexation.
• Utiliser une base vectorielle (Qdrant) pour la recherche sémantique.
• Orchestrer votre application GenAI avec LangChain et explorer les Agents.

Vous apprendrez à :

• Mettre en place des métriques de suivi pour les modèles (SLI / SLO, qualité prédictive, latence).
• Détecter et analyser le Data Drift et le Concept Drift.
• Utiliser Evidently AI pour monitorer les modèles dans le temps.
• Construire des dashboards de supervision avec Grafana pour l’équipe Data / Produit.

Vous allez :

• Concevoir une architecture complète mêlant API de classification & Chatbot RAG.
• Développer une API de classification de tickets de support et la mettre en production.
• Construire un chatbot RAG connecté à votre base documentaire (FAQs, PDFs, tickets historiques).
• Intégrer tracking, versioning et monitoring pour livrer un produit IA exploitable par une équipe.