LLMOps / MLOps pour applications IA

Overview

Objectives

• Pipelines et versioning
• Évaluation et quality gates
• Monitoring, latence et coûts
• CI/CD, déploiement et rollback
• Observabilité et traçabilité
• Gouvernance et production

Syllabus

1. 01

   Module 1 — Pipelines et versioning

   Versionner, c'est pouvoir retrouver la demande, le modèle et les données qui ont produit une sortie. Sans version, on ne compare rien · Poser un numéro de version sur la demande, le jeu de cas et le modèle

   3 h
2. 02

   Module 2 — Évaluation et quality gates

   Un seuil de qualité bloque la promotion. Si le jeu de cas chute, la version ne passe pas · Définir le seuil et faire échouer volontairement une version

   3 h
3. 03

   Module 3 — Monitoring, latence et coûts

   Latence, erreur et coût se lisent ensemble. Optimiser le coût en silence sur la qualité n'est pas du monitoring · Relever les trois mesures sur un lot d'appels

   3 h
4. 04

   Module 4 — CI/CD, déploiement et rollback

   Le déploiement a un pipeline, une version en service et un retour arrière essayé au moins une fois en exercice · Déployer une version et revenir à la précédente

   3 h
5. 05

   Module 5 — Observabilité et traçabilité

   La trace relie une sortie à sa version, son utilisateur technique et les outils appelés. Sans trace, l'incident ne s'analyse pas · Retrouver un appel précis dans le journal et raconter ce qui s'est passé

   3 h
6. 06

   Module 6 — Gouvernance et production

   La gouvernance de production dit qui promeut, qui coupe, et quelles données n'ont pas le droit d'entrer dans le jeu d'évaluation · Écrire ces trois règles pour l'application de l'équipe

   3 h
7. 07

   Module 7 — Mise en situation et retour au poste

   retour au poste pour ML engineers, AI engineers, DevOps · soutenir LLMOps / MLOps pour applications IA

   3 h