MLOps & IA DevOps

MLOps en ProductionCI/CD pour Modèles IA
36h
14 modules
+500 apprenants
Docker & K8sMLflow & DVCServing FastAPISurveillance Grafana
Réserver ma placeVoir le programme complet

Investissement

1 790 DH

ou 3x sans frais • Éligible CPF

  • 36h de contenu expert (vidéos + labs interactifs)
  • Environnement cloud dédié pour les exercices (crédits inclus)
  • Infrastructure as Code (Terraform) pour reproduire la stack complète
  • Mentorat individuel — 3 sessions avec un ingénieur MLOps senior
  • Accès à la communauté MLOps MDA privée
Réserver ma place

Garantie satisfaction 30 jours ou remboursé
Programme Complet
6Modules
36hContenu
Programme complet
36h de contenu
|6 modules
Fondamentaux & Intermédiaire
Modules 1–3
Fondamentaux de l'Architecture MLOps
Module 1

Fondamentaux de l'Architecture MLOps

/* PROGRESSION */
3h5 sujets17%
/* SUJETS */
Niveurs de maturité MLOps (0 → 3)
Architecture de référence end-to-end
Aperçu des outils : MLflow, DVC, Kubeflow, Seldon, BentoML
Choix d'architecture par taille d'équipe et budget
Versionnage de Données & Expériences
Module 2

Versionnage de Données & Expériences

/* PROGRESSION */
4h6 sujets33%
/* SUJETS */
DVC : versionner des datasets à grande échelle
Intégration DVC avec S3 / GCS / Azure Blob
MLflow Tracking : métriques, paramètres, artefacts
MLflow Projects et reproductibilité
Pipelines ML Automatisés
Module 3★ Clé

Pipelines ML Automatisés

/* PROGRESSION */
5h6 sujets50%
/* SUJETS */
Prefect vs Metaflow vs Airflow pour le ML
Pipeline de données : ingestion, validation, transformation
Pipelines d'entraînement paramétrables et reproductibles
Continuous Training : planificateurs et stratégies
Fondamentaux de l'Architecture MLOps
Module 1

Fondamentaux de l'Architecture MLOps

/* PROGRESSION */
3h5 sujets17%
/* SUJETS */
Niveurs de maturité MLOps (0 → 3)
Architecture de référence end-to-end
Aperçu des outils : MLflow, DVC, Kubeflow, Seldon, BentoML
Choix d'architecture par taille d'équipe et budget
Versionnage de Données & Expériences
Module 2

Versionnage de Données & Expériences

/* PROGRESSION */
4h6 sujets33%
/* SUJETS */
DVC : versionner des datasets à grande échelle
Intégration DVC avec S3 / GCS / Azure Blob
MLflow Tracking : métriques, paramètres, artefacts
MLflow Projects et reproductibilité
Pipelines ML Automatisés
Module 3★ Clé

Pipelines ML Automatisés

/* PROGRESSION */
5h6 sujets50%
/* SUJETS */
Prefect vs Metaflow vs Airflow pour le ML
Pipeline de données : ingestion, validation, transformation
Pipelines d'entraînement paramétrables et reproductibles
Continuous Training : planificateurs et stratégies
Fondamentaux de l'Architecture MLOps
Module 1

Fondamentaux de l'Architecture MLOps

/* PROGRESSION */
3h5 sujets17%
/* SUJETS */
Niveurs de maturité MLOps (0 → 3)
Architecture de référence end-to-end
Aperçu des outils : MLflow, DVC, Kubeflow, Seldon, BentoML
Choix d'architecture par taille d'équipe et budget
Versionnage de Données & Expériences
Module 2

Versionnage de Données & Expériences

/* PROGRESSION */
4h6 sujets33%
/* SUJETS */
DVC : versionner des datasets à grande échelle
Intégration DVC avec S3 / GCS / Azure Blob
MLflow Tracking : métriques, paramètres, artefacts
MLflow Projects et reproductibilité
Pipelines ML Automatisés
Module 3★ Clé

Pipelines ML Automatisés

/* PROGRESSION */
5h6 sujets50%
/* SUJETS */
Prefect vs Metaflow vs Airflow pour le ML
Pipeline de données : ingestion, validation, transformation
Pipelines d'entraînement paramétrables et reproductibles
Continuous Training : planificateurs et stratégies
Fondamentaux de l'Architecture MLOps
Module 1

Fondamentaux de l'Architecture MLOps

/* PROGRESSION */
3h5 sujets17%
/* SUJETS */
Niveurs de maturité MLOps (0 → 3)
Architecture de référence end-to-end
Aperçu des outils : MLflow, DVC, Kubeflow, Seldon, BentoML
Choix d'architecture par taille d'équipe et budget
Versionnage de Données & Expériences
Module 2

Versionnage de Données & Expériences

/* PROGRESSION */
4h6 sujets33%
/* SUJETS */
DVC : versionner des datasets à grande échelle
Intégration DVC avec S3 / GCS / Azure Blob
MLflow Tracking : métriques, paramètres, artefacts
MLflow Projects et reproductibilité
Pipelines ML Automatisés
Module 3★ Clé

Pipelines ML Automatisés

/* PROGRESSION */
5h6 sujets50%
/* SUJETS */
Prefect vs Metaflow vs Airflow pour le ML
Pipeline de données : ingestion, validation, transformation
Pipelines d'entraînement paramétrables et reproductibles
Continuous Training : planificateurs et stratégies
Fondamentaux de l'Architecture MLOps
Module 1

Fondamentaux de l'Architecture MLOps

/* PROGRESSION */
3h5 sujets17%
/* SUJETS */
Niveurs de maturité MLOps (0 → 3)
Architecture de référence end-to-end
Aperçu des outils : MLflow, DVC, Kubeflow, Seldon, BentoML
Choix d'architecture par taille d'équipe et budget
Versionnage de Données & Expériences
Module 2

Versionnage de Données & Expériences

/* PROGRESSION */
4h6 sujets33%
/* SUJETS */
DVC : versionner des datasets à grande échelle
Intégration DVC avec S3 / GCS / Azure Blob
MLflow Tracking : métriques, paramètres, artefacts
MLflow Projects et reproductibilité
Pipelines ML Automatisés
Module 3★ Clé

Pipelines ML Automatisés

/* PROGRESSION */
5h6 sujets50%
/* SUJETS */
Prefect vs Metaflow vs Airflow pour le ML
Pipeline de données : ingestion, validation, transformation
Pipelines d'entraînement paramétrables et reproductibles
Continuous Training : planificateurs et stratégies
Fondamentaux de l'Architecture MLOps
Module 1

Fondamentaux de l'Architecture MLOps

/* PROGRESSION */
3h5 sujets17%
/* SUJETS */
Niveurs de maturité MLOps (0 → 3)
Architecture de référence end-to-end
Aperçu des outils : MLflow, DVC, Kubeflow, Seldon, BentoML
Choix d'architecture par taille d'équipe et budget
Versionnage de Données & Expériences
Module 2

Versionnage de Données & Expériences

/* PROGRESSION */
4h6 sujets33%
/* SUJETS */
DVC : versionner des datasets à grande échelle
Intégration DVC avec S3 / GCS / Azure Blob
MLflow Tracking : métriques, paramètres, artefacts
MLflow Projects et reproductibilité
Pipelines ML Automatisés
Module 3★ Clé

Pipelines ML Automatisés

/* PROGRESSION */
5h6 sujets50%
/* SUJETS */
Prefect vs Metaflow vs Airflow pour le ML
Pipeline de données : ingestion, validation, transformation
Pipelines d'entraînement paramétrables et reproductibles
Continuous Training : planificateurs et stratégies
Fondamentaux de l'Architecture MLOps
Module 1

Fondamentaux de l'Architecture MLOps

/* PROGRESSION */
3h5 sujets17%
/* SUJETS */
Niveurs de maturité MLOps (0 → 3)
Architecture de référence end-to-end
Aperçu des outils : MLflow, DVC, Kubeflow, Seldon, BentoML
Choix d'architecture par taille d'équipe et budget
Versionnage de Données & Expériences
Module 2

Versionnage de Données & Expériences

/* PROGRESSION */
4h6 sujets33%
/* SUJETS */
DVC : versionner des datasets à grande échelle
Intégration DVC avec S3 / GCS / Azure Blob
MLflow Tracking : métriques, paramètres, artefacts
MLflow Projects et reproductibilité
Pipelines ML Automatisés
Module 3★ Clé

Pipelines ML Automatisés

/* PROGRESSION */
5h6 sujets50%
/* SUJETS */
Prefect vs Metaflow vs Airflow pour le ML
Pipeline de données : ingestion, validation, transformation
Pipelines d'entraînement paramétrables et reproductibles
Continuous Training : planificateurs et stratégies
Avancé & Déploiement
Modules 4–6
CI/CD ML
Module 4

CI/CD ML

/* PROGRESSION */
5h6 sujets67%
/* SUJETS */
GitHub Actions pour les workflows ML
Tests automatisés : données, modèles, performance
Model Registry et promotion (staging → production)
Gestion des secrets (Vault, AWS Secrets Manager)
Serving & Infrastructure Production
Module 5

Serving & Infrastructure Production

/* PROGRESSION */
6h7 sujets83%
/* SUJETS */
Kubernetes pour les data scientists
Seldon Core : déploiement et serving multi-modèles
BentoML : packaging et serving simplifiés
Optimisation latence : ONNX, TensorRT, quantification
Monitoring, Observabilité & Alerting
Module 6★ Clé

Monitoring, Observabilité & Alerting

/* PROGRESSION */
5h7 sujets100%
/* SUJETS */
Monitoring de modèles : performance, drift, biais
Evidently AI pour la détection de drift de données
Stack Prometheus + Grafana pour les métriques ML
Logging structuré et tracing distribué (OpenTelemetry)
CI/CD ML
Module 4

CI/CD ML

/* PROGRESSION */
5h6 sujets67%
/* SUJETS */
GitHub Actions pour les workflows ML
Tests automatisés : données, modèles, performance
Model Registry et promotion (staging → production)
Gestion des secrets (Vault, AWS Secrets Manager)
Serving & Infrastructure Production
Module 5

Serving & Infrastructure Production

/* PROGRESSION */
6h7 sujets83%
/* SUJETS */
Kubernetes pour les data scientists
Seldon Core : déploiement et serving multi-modèles
BentoML : packaging et serving simplifiés
Optimisation latence : ONNX, TensorRT, quantification
Monitoring, Observabilité & Alerting
Module 6★ Clé

Monitoring, Observabilité & Alerting

/* PROGRESSION */
5h7 sujets100%
/* SUJETS */
Monitoring de modèles : performance, drift, biais
Evidently AI pour la détection de drift de données
Stack Prometheus + Grafana pour les métriques ML
Logging structuré et tracing distribué (OpenTelemetry)
CI/CD ML
Module 4

CI/CD ML

/* PROGRESSION */
5h6 sujets67%
/* SUJETS */
GitHub Actions pour les workflows ML
Tests automatisés : données, modèles, performance
Model Registry et promotion (staging → production)
Gestion des secrets (Vault, AWS Secrets Manager)
Serving & Infrastructure Production
Module 5

Serving & Infrastructure Production

/* PROGRESSION */
6h7 sujets83%
/* SUJETS */
Kubernetes pour les data scientists
Seldon Core : déploiement et serving multi-modèles
BentoML : packaging et serving simplifiés
Optimisation latence : ONNX, TensorRT, quantification
Monitoring, Observabilité & Alerting
Module 6★ Clé

Monitoring, Observabilité & Alerting

/* PROGRESSION */
5h7 sujets100%
/* SUJETS */
Monitoring de modèles : performance, drift, biais
Evidently AI pour la détection de drift de données
Stack Prometheus + Grafana pour les métriques ML
Logging structuré et tracing distribué (OpenTelemetry)
CI/CD ML
Module 4

CI/CD ML

/* PROGRESSION */
5h6 sujets67%
/* SUJETS */
GitHub Actions pour les workflows ML
Tests automatisés : données, modèles, performance
Model Registry et promotion (staging → production)
Gestion des secrets (Vault, AWS Secrets Manager)
Serving & Infrastructure Production
Module 5

Serving & Infrastructure Production

/* PROGRESSION */
6h7 sujets83%
/* SUJETS */
Kubernetes pour les data scientists
Seldon Core : déploiement et serving multi-modèles
BentoML : packaging et serving simplifiés
Optimisation latence : ONNX, TensorRT, quantification
Monitoring, Observabilité & Alerting
Module 6★ Clé

Monitoring, Observabilité & Alerting

/* PROGRESSION */
5h7 sujets100%
/* SUJETS */
Monitoring de modèles : performance, drift, biais
Evidently AI pour la détection de drift de données
Stack Prometheus + Grafana pour les métriques ML
Logging structuré et tracing distribué (OpenTelemetry)
CI/CD ML
Module 4

CI/CD ML

/* PROGRESSION */
5h6 sujets67%
/* SUJETS */
GitHub Actions pour les workflows ML
Tests automatisés : données, modèles, performance
Model Registry et promotion (staging → production)
Gestion des secrets (Vault, AWS Secrets Manager)
Serving & Infrastructure Production
Module 5

Serving & Infrastructure Production

/* PROGRESSION */
6h7 sujets83%
/* SUJETS */
Kubernetes pour les data scientists
Seldon Core : déploiement et serving multi-modèles
BentoML : packaging et serving simplifiés
Optimisation latence : ONNX, TensorRT, quantification
Monitoring, Observabilité & Alerting
Module 6★ Clé

Monitoring, Observabilité & Alerting

/* PROGRESSION */
5h7 sujets100%
/* SUJETS */
Monitoring de modèles : performance, drift, biais
Evidently AI pour la détection de drift de données
Stack Prometheus + Grafana pour les métriques ML
Logging structuré et tracing distribué (OpenTelemetry)
CI/CD ML
Module 4

CI/CD ML

/* PROGRESSION */
5h6 sujets67%
/* SUJETS */
GitHub Actions pour les workflows ML
Tests automatisés : données, modèles, performance
Model Registry et promotion (staging → production)
Gestion des secrets (Vault, AWS Secrets Manager)
Serving & Infrastructure Production
Module 5

Serving & Infrastructure Production

/* PROGRESSION */
6h7 sujets83%
/* SUJETS */
Kubernetes pour les data scientists
Seldon Core : déploiement et serving multi-modèles
BentoML : packaging et serving simplifiés
Optimisation latence : ONNX, TensorRT, quantification
Monitoring, Observabilité & Alerting
Module 6★ Clé

Monitoring, Observabilité & Alerting

/* PROGRESSION */
5h7 sujets100%
/* SUJETS */
Monitoring de modèles : performance, drift, biais
Evidently AI pour la détection de drift de données
Stack Prometheus + Grafana pour les métriques ML
Logging structuré et tracing distribué (OpenTelemetry)
CI/CD ML
Module 4

CI/CD ML

/* PROGRESSION */
5h6 sujets67%
/* SUJETS */
GitHub Actions pour les workflows ML
Tests automatisés : données, modèles, performance
Model Registry et promotion (staging → production)
Gestion des secrets (Vault, AWS Secrets Manager)
Serving & Infrastructure Production
Module 5

Serving & Infrastructure Production

/* PROGRESSION */
6h7 sujets83%
/* SUJETS */
Kubernetes pour les data scientists
Seldon Core : déploiement et serving multi-modèles
BentoML : packaging et serving simplifiés
Optimisation latence : ONNX, TensorRT, quantification
Monitoring, Observabilité & Alerting
Module 6★ Clé

Monitoring, Observabilité & Alerting

/* PROGRESSION */
5h7 sujets100%
/* SUJETS */
Monitoring de modèles : performance, drift, biais
Evidently AI pour la détection de drift de données
Stack Prometheus + Grafana pour les métriques ML
Logging structuré et tracing distribué (OpenTelemetry)
Survolez pour mettre en pause
Module standard
Module clé
Prerequisites
4 items
01
Python avancé (décorateurs, typage, modules, tests)
02
Machine learning pratique (entraînement et évaluation de modèles)
03
Compétences de base Linux / ligne de commande
04
Git intermediate (branches, PRs, hooks)
Target Audience
4 items
01
Data Scientists et Ingénieurs ML expérimentés
02
Ingénieurs DevOps et Platform travaillant avec des équipes ML
03
Tech Leads souhaitant industrialiser leur stack IA
04
Solution Architects concevant des plateformes IA enterprise
MLOps & IA DevOps

MLOps en Production

CI/CD pour Modèles IA

1 790 DH
36h14 modules
  • Docker & K8s
  • MLflow & DVC
  • Serving FastAPI
  • Surveillance Grafana
RÉSERVER MA PLACE

✦ Garantie satisfaction 30 jours · Support prioritaire inclus