Aller au contenu
Présentiel Distanciel

Formation Gestion du cycle de vie des modèles avec MLflow

Donnez à vos équipes les moyens de fiabiliser le passage du prototype ML à la production grâce à un référentiel unique et une traçabilité exploitable.

Référence formation :
MOD_20262088
Durée :
14 heures
Satisfaction :
Prix :
1630 € HT
Pré-inscription

Présentation de la formation

Cette formation de 2 jours apprend à structurer et tracer tout le cycle de vie des modèles avec MLflow, depuis le tracking des expériences (paramètres, métriques, artefacts, comparaison de runs) jusqu’à la gestion avancée des modèles dans le Model Registry (versioning, stages, gouvernance). 

Les participants mettent ces concepts en pratique sur des cas concrets (scoring crédit, prévision énergétique) en configurant un serveur MLflow, en comparant plusieurs familles de modèles et en formalisant des workflows de validation et de promotion. 

Ils construisent enfin un pipeline MLOps complet, incluant MLflow Projects, déploiement (REST, batch, Spark, cloud) et monitoring de la dérive, afin d’industrialiser durablement leurs modèles de Machine Learning. 

Objectifs pédagogiques

A l’issue de la formation, le stagiaire sera capable de gérer le cycle de vie des modèles ML. 

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

Public visé

  • Data scientists, ML engineers 

Prérequis

  • Connaissances en ML et Python. 

Jour 1 — Tracking et expérimentations MLflow

 

Matin — Introduction au MLOps et à MLflow

  • Principes du MLOps et défis du cycle de vie ML
  • Architecture MLflow : Tracking, Projects, Models, Registry
  • Installation et configuration (local, serveur, cloud)
  • Premiers logs : paramètres, métriques, artefacts

 

Atelier — Mise en place d’un tracking server MLflow

Contexte : Une équipe data dans le secteur de l’assurance veut sortir d’une logique « notebook par data scientist » et centraliser le suivi de toutes ses expérimentations.

Dataset : Dataset interne d’assurance (sinistralité auto, polices) fourni.

Tâches à réaliser :

  • Démarrer un serveur MLflow local avec backend SQLite et artefacts sur disque
  • Logger les paramètres, métriques et le modèle d’une régression logistique de scoring
  • Comparer 5 runs dans l’UI MLflow
  • Mettre en place des tags pour différencier prototypes et candidats production

Livrable attendu : Capture d’écran de l’UI avec 5 runs comparés et court guide d’utilisation du serveur (1 page).

 

Après-midi — Tracking avancé et comparaison

  • Organisation : experiments, runs, tags
  • Auto-logging (Scikit-learn, PyTorch, TensorFlow, XGBoost)
  • UI MLflow et comparaison de runs
  • Logs personnalisés et artefacts complexes (plots, datasets)

 

Atelier — Comparaison structurée de modèles de prévision énergétique

Contexte : Une entreprise avec plusieurs établissements veut comparer plusieurs familles de modèles pour prédire la consommation de son parc de bâtiments tertiaires.

Dataset : Données de consommation énergétique à fréquence horaire, couvrant plusieurs bâtiments sur une période étendue.

Tâches à réaliser :

  • Activer l’auto-logging Scikit-learn et XGBoost
  • Lancer un grid search avec logging automatique
  • Logger des artefacts personnalisés : graphique des résidus, importance des variables
  • Identifier visuellement dans l’UI les meilleurs modèles selon le RMSE

Livrable attendu : Synthèse écrite du des modèles et URL des runs MLflow correspondants.

 

Jour 2 — Models, Registry et déploiement

 

Matin — MLflow Models et Model Registry

  • Format MLflow Model, flavors et signatures
  • Versioning et stages (Staging, Production, Archived)
  • Approbation, transitions et gouvernance des modèles
  • Aliases et tags

 

Atelier — Gouvernance d’un modèle de scoring crédit

Contexte : Une banque doit pouvoir prouver à son régulateur la traçabilité complète du cycle de vie de son modèle de scoring (qui l’a entraîné, validé, déployé et quand).

Dataset : Modèle de scoring du jour 1 et équipe simulée (data scientist, validateur, MLOps).

Tâches à réaliser :

  • Enregistrer le modèle dans le Model Registry
  • Définir une politique de promotion : Staging puis validation puis production
  • Simuler le rôle de validateur et faire passer un modèle en production
  • Archiver un ancien modèle et documenter la transition

Livrable attendu : Schéma du workflow de gouvernance et capture du Model Registry montrant les différents stages.

 

Après-midi — Déploiement et industrialisation

  • Servir un modèle via REST, batch ou Spark
  • Déploiement cloud (Databricks, AzureML, SageMaker)
  • MLflow Projects et reproductibilité
  • Intégration CI/CD et monitoring en production
  • Auditabilité et conformité

 

Atelier final — Pipeline MLOps complet pour la prévision de demande commerciale

Contexte : Une direction commerciale veut industrialiser sa prévision de ventes hebdomadaires : entraînement quotidien, sélection du meilleur modèle, déploiement, monitoring.

Dataset : Données de ventes déjà préparées et structurées pour l’analyse.

Tâches à réaliser :

  • Définir un MLflow Project reproductible (MLproject + conda.yaml)
  • Lancer un entraînement automatisé et enregistrer le modèle dans le Registry
  • Servir le modèle via mlflow models serve
  • Mettre en place un suivi mensuel de dérive (distribution des prédictions versus réalisé)

Livrable attendu : Pipeline complet exécutable et plan de mise en production (1 page) couvrant l’entraînement, le déploiement et le monitoring.

Télécharger le programme .pdf

Dernière mise à jour le 5 novembre 2026

Prochaines sessions

Modalités pratiques et pédagogiques

Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :

  • Formation en présentiel
    • En groupe (inter-entreprises ou intra-entreprise)
    • En individuel (monitorat)
    • En journée ou en cours du soir (sur demande spécifique)
  • Formation en distanciel
    • Distanciel synchrone
    • Distanciel asynchrone

  • Alternance d’apports théoriques et de mises en pratique contextualisées.
  • Progression pédagogique structurée, de la compréhension à la mise en œuvre opérationnelle.
  • Pédagogie immersive favorisant une mise en application immédiate des compétences.
  • Formation interactive et participative s’appuyant sur des ateliers pratiques, études de cas et échanges collectifs (+ 60 % du temps de formation.)
  • Séquences pédagogiques rythmées et évaluations formatives régulières pour renforcer l’ancrage des apprentissages.
  • Supports de cours, ressources documentaires et références mis à disposition par le formateur

En amont de la formation (évaluation en ligne dans l’extranet apprenant)

  • Recueil des besoins et des attentes des participants.
  • Auto-positionnement permettant d’évaluer le niveau initial des apprenants.

 

Tout au long de la formation

  • Évaluations continues réalisées par le formateur à travers des questions orales, exercices, QCM, études de cas et mises en situation pratiques.

À l’issue de la formation (évaluations en ligne dans l’extranet apprenant)

  • Auto-positionnement afin de mesurer l’acquisition des compétences visées.
  • Validation de l’acquisition des compétences par le formateur
  • Questionnaire de satisfaction « à chaud » à l’issue de la formation
  • Questionnaire de satisfaction « à froid », 45 jours après la formation afin d’évaluer l’ancrage des acquis et leur mise en application en situation professionnelle.

Nous consulter.

Nos formations peuvent être adaptées à certaines conditions de handicap. Nous contacter pour toute information et demande spécifique.

Tarifs et financement

Formation éligible aux Actions Collectives OPCO Atlas.

Formations associées

À distance Présentiel 14h
Data Science & Machine Learning

Formation Recherche opérationnelle et optimisation combinatoire, Découverte et sensibilisation – RO1

À partir de 1 580€

À distance Présentiel 21h
Data Science & Machine Learning

Formation Python pour la Data Science, Le Langage Python – PY1

Note : 4,8 sur 5

À partir de 2 150€

À distance Présentiel 21h
Data Science & Machine Learning

Formation Deep Learning, Les fondamentaux

Note : 4,5 sur 5

À partir de 1 580€

Financement possible