Aller au contenu principal

Deploiement de modeles IA

90 heures 6 Modules 10+ Labs pratiques Deploiement IA/ML

Description du cours​

Ce cours developpe des competences pratiques et professionnelles liees au deploiement, aux tests, a la documentation et au monitoring de modeles IA/ML dans des environnements de production.

Vous apprendrez a construire et livrer des services complets alimentes par l'IA en utilisant des outils modernes et les meilleures pratiques :

SujetDescription
Fondements du deploiementDefinition du perimetre, dependances de donnees, planification de l'infrastructure
Entrainement et evaluation de modelesPipelines de reentrainement, metriques, serialisation (pickle, ONNX, joblib)
Developpement d'APIAPIs REST avec FastAPI/Flask, documentation Swagger/OpenAPI
Codage assiste par IAIngenierie de prompts, generation de code par IA, considerations de securite
Tests et explicabilitepytest, Postman, LIME, SHAP, interpretabilite des modeles
Projet de bout en boutCycle de vie complet du deploiement, de l'entrainement a la production

Objectifs d'apprentissage​

A la fin de ce cours, vous serez capable de :

  1. Definir le perimetre et les exigences pour le deploiement d'un modele IA
  2. Entrainer et evaluer des modeles en utilisant des pipelines structures et des metriques rigoureuses
  3. Construire et documenter des APIs REST pretes pour la production servant des predictions IA
  4. Exploiter les outils de codage assiste par IA de maniere efficace et securisee
  5. Tester les APIs et les modeles de maniere systematique avec des outils automatises
  6. Expliquer les predictions des modeles a l'aide de frameworks d'interpretabilite (LIME, SHAP)
  7. Deployer un service IA de bout en bout avec documentation et monitoring

Structure du cours​

Prerequis​

CoursCodeDescription
Programmation Python420-XXX-BBVariables, fonctions, POO, structures de donnees
Fondamentaux du Machine Learning420-XXX-BBApprentissage supervise/non supervise, scikit-learn
Controle de version (Git)—Branches, commits, pull requests

Labs pratiques​

LabModuleObjectifsDuree
TP1Fondements du deploiementDefinir le perimetre du projet, configurer l'environnement Python60 min
TP2Entrainement de modelesEntrainer, evaluer et serialiser un modele90 min
TP3Bases FastAPIConstruire une API de prediction avec FastAPI90 min
TP4API FlaskConstruire une API equivalente avec Flask60 min
TP5Documentation d'APIGenerer la documentation Swagger/OpenAPI45 min
TP6Codage assiste par IAGenerer et deboguer du code avec des outils IA60 min
TP7Tests avec pytestEcrire des tests unitaires et d'integration60 min
TP8Tests d'API avec PostmanConstruire une collection Postman pour votre API45 min
TP9Explicabilite des modelesAppliquer LIME et SHAP a votre modele75 min
TP10Projet finalDeployer un service IA complet de bout en bout180 min

Evaluations​

SemaineEvaluationPoidsContenu
3Evaluation 115%Cahier des charges + configuration de l'environnement
5Evaluation 220%Rapport d'evaluation du modele + serialisation
8Evaluation 325%Service API fonctionnel + documentation
12Evaluation 410%Reflexion sur le codage IA + rapport de debogage
15Projet final LIA30%Deploiement complet + rapport + presentation orale

Pile technologique​

CategorieOutils
LangagePython 3.10+
Frameworks MLscikit-learn, pandas, NumPy
Frameworks APIFastAPI, Flask
Testspytest, Postman, httpx
ExplicabiliteLIME, SHAP
Serialisationpickle, joblib, ONNX
DocumentationSwagger/OpenAPI, Markdown
Outils IAGitHub Copilot, ChatGPT, Cursor
DevOpsDocker, Git, environnements virtuels

Ressources​

Documentation FastAPIDocumentation FlaskDocumentation SHAPDocumentation pytest