Gestion du cycle de vie des modèles avec MLflow

Formation créée le 13/05/2026.
Version du programme : 1

Type de formation

Mixte

Durée de formation

14 heures (2 jours)

Accessibilité

Oui

Gestion du cycle de vie des modèles avec MLflow


Ce module permet aux participants de structurer, suivre, versionner, comparer, déployer et monitorer des modèles de Machine Learning avec MLflow. Il s’adresse à des data scientists et ML engineers disposant déjà de connaissances en Machine Learning et en Python. La formation vise à leur permettre de passer d’une logique d’expérimentation isolée à une démarche structurée de gestion du cycle de vie des modèles, intégrant le suivi des paramètres, métriques, artefacts, versions, déploiements et évolutions des modèles. La formation couvre les principes du MLOps, les composants de MLflow, le suivi des expériences, la comparaison de runs, la gestion des artefacts, le model registry, la mise en production, le monitoring et l’automatisation des expérimentations. L’approche pédagogique privilégie la pratique : les participants instrumentent un projet ML avec MLflow Tracking, comparent plusieurs expérimentations, enregistrent un modèle, gèrent ses versions, préparent son déploiement et définissent les éléments de suivi nécessaires après mise en exploitation.

Objectifs de la formation

  • Suivre et versionner les modèles ML.
  • Déployer et monitorer les modèles.
  • Automatiser les expériences ML.

Profil des bénéficiaires

Pour qui
  • Data scientists
  • ML engineers
Prérequis
  • Connaissances en ML et Python

Contenu de la formation

Comprendre le cycle de vie d’un modèle ML et les enjeux MLOps
  • Identifier les étapes du cycle de vie d’un modèle dans un projet type.
  • Repérer les risques liés à une absence de traçabilité.
  • Définir les informations à suivre pour rendre une expérimentation reproductible.
Installer, configurer et prendre en main MLflow Tracking
  • Installer ou utiliser un environnement MLflow préparé.
  • Créer une première expérience.
  • Lancer un run.
  • Enregistrer des paramètres et métriques.
  • Visualiser les résultats dans MLflow UI.
  • Ajouter un artefact simple.
Instrumenter un entraînement Machine Learning avec MLflow
  • Entraîner un modèle ML simple.
  • Ajouter le suivi MLflow dans le script.
  • Enregistrer les hyperparamètres.
  • Enregistrer les métriques de performance.
  • Enregistrer le modèle et les artefacts associés.
  • Vérifier les résultats dans MLflow UI.
Comparer les runs et sélectionner un modèle
  • Lancer plusieurs runs avec différents paramètres.
  • Comparer les performances.
  • Identifier le meilleur modèle selon une métrique cible.
  • Formaliser une justification du choix réalisé.
Enregistrer et versionner les modèles avec MLflow Model Registry
  • Enregistrer un modèle dans le Model Registry.
  • Créer une nouvelle version.
  • Ajouter une description.
  • Comparer deux versions.
  • Simuler une transition vers un stade de validation ou de production.
Préparer le déploiement d’un modèle MLflow
  • Charger un modèle enregistré.
  • Réaliser une inférence sur de nouvelles données.
  • Vérifier la cohérence des prédictions.
  • Préparer les éléments nécessaires au déploiement.
  • Identifier les dépendances à documenter.
Monitorer les modèles et organiser le suivi en production
  • Définir les indicateurs de suivi d’un modèle.
  • Identifier les alertes nécessaires.
  • Proposer un plan simple de monitoring.
  • Définir les conditions de réentraînement.
  • Documenter les limites du modèle.
Automatiser les expériences ML
  • Automatiser plusieurs runs avec différents paramètres.
  • Enregistrer les résultats dans MLflow.
  • Comparer les runs générés.
  • Identifier le meilleur modèle.
  • Structurer le script pour une réutilisation future.
Cas pratique de synthèse
  • préparer un jeu de données
  • entraîner plusieurs modèles ou configurations
  • suivre les paramètres avec MLflow Tracking
  • enregistrer les métriques de performance
  • enregistrer les artefacts utiles
  • comparer les runs
  • sélectionner un modèle final
  • enregistrer le modèle dans le Model Registry
  • créer ou identifier une version
  • recharger le modèle pour inférence
  • définir les indicateurs de monitoring
  • présenter les choix, résultats et limites

Équipe pédagogique

Le formateur mobilisé pour ce module dispose d’une expertise confirmée en Machine Learning, MLOps, Python et gestion du cycle de vie des modèles avec MLflow.

Suivi de l'exécution et évaluation des résultats

  • Questions de validation sur expériences, runs, paramètres, métriques et artefacts.
  • Vérification de la capacité à instrumenter un entraînement avec MLflow Tracking.
  • Le cas pratique de synthèse permet de vérifier la capacité du participant à suivre, versionner, préparer au déploiement, monitorer et automatiser des expériences ML avec MLflow.

Délai d'accès

2 semaines

Accessibilité

Les modalités d’accueil, d’accompagnement et d’évaluation peuvent être adaptées aux besoins des participants en situation de handicap. Les adaptations peuvent notamment porter sur : • les supports pédagogiques ; • le rythme de progression ; • les modalités d’interaction ; • l’organisation des exercices ; • les conditions de réalisation des évaluations ; • les outils numériques utilisés. Toute adaptation est étudiée en amont afin de garantir l’accessibilité de la formation, la participation effective du stagiaire et l’atteinte des objectifs pédagogiques, dans le respect du cadre prévu.