Formation - Gestion du cycle de vie des modèles avec MLflow

Installer MLflow et démarrer un serveur de suivi local

Explorer l’interface web de MLflow

Configurer un magasin d’artefacts et de métadonnées

Vérifier la connexion entre un script Python et le serveur de suivi MLflow

Instrumenter un script d’entraînement afin de journaliser les paramètres et les métriques

Activer l’autologging et comparer plusieurs exécutions dans MLflow Tracking

Journaliser des artefacts (modèle, graphiques, jeux de données)

Comparer les exécutions dans l'interface et sélectionner la meilleure

Organiser un projet MLflow avec son environnement et ses points d’entrée

Exécuter le projet de manière reproductible Empaqueter un modèle au format MLflow Models avec sa signature

Recharger le modèle empaqueté et vérifier ses prédictions

Enregistrer un modèle dans le registre et créer plusieurs versions

Comparer deux versions d’un même modèle

Promouvoir une version vers la production à l’aide des alias

Documenter et annoter les versions pour garantir leur traçabilité

Servir un modèle du registre avec l’API de service MLflow

Tester des requêtes d’inférence sur le modèle déployé

Conteneuriser le modèle avec Docker

Réaliser une inférence par lots sur un jeu de données

Journaliser les prédictions d’un modèle en production

Détecter une dérive des données dans un flux de prédictions

Automatiser le réentraînement et l’enregistrement d’une nouvelle version

Déclencher la promotion d’une version selon des critères de performance