- Cours pratique
- Informatique
Formation DataOps : pipelines résilients et scalables
Concevoir et automatiser des pipelines

- Durée
- 5 jours
- Niveau
- Fondamental
- Modalités
- Présentiel / Distanciel
Description de la formation DataOps pipelines
Qu'est-ce que DataOps ?
DataOps est une approche méthodologique et technologique qui applique les principes DevOps aux flux de données. Elle vise à améliorer la qualité, la rapidité et la fiabilité de la gestion des données, en automatisant les processus de traitement et de livraison. En intégrant collaboration, automatisation et surveillance, DataOps permet d’assurer des pipelines de données plus robustes et évolutifs.
Pourquoi suivre une formation DataOps : pipelines résilients et scalables ?
Dans un contexte où les entreprises doivent traiter des volumes massifs de données en temps réel, savoir concevoir et automatiser des pipelines fiables est devenu un atout stratégique. Cette formation donne aux professionnels les compétences nécessaires pour déployer des architectures scalables, gérer la qualité des données et réduire les risques opérationnels. En maîtrisant DataOps, les participants pourront accélérer la mise en production des projets Data et améliorer la collaboration entre équipes techniques et métiers.

Objectifs pédagogiques
À l'issue de cette formation DataOps : pipelines résilients et scalables, vous aurez acquis les connaissances nécessaires pour :
- Définir une stratégie Data ambitieuse et réaliste
- Evaluer les priorités Data de l'organisation en fonction de l'état des lieux et de la vision
- Identifier et pratiquer les meilleures technologies disponibles et leur articulation / complémentarité (MLflow, Airflow, DVC, Delta Lake, Evidently AI, Optuna...)
- Construire des plateformes DataOps pour minimiser le Time To Value.
Objectifs opérationnels
Savoir concevoir, automatiser et superviser des pipelines de données résilients et scalables.
Programme
Contenu du cours, module par module
5 modules
- Qu'est-ce qu'une donnée ?
- Evolution des analytiques : des Data Warehouses aux Lakehouses et Data Mesh
- Stratégie des données, valeur des données, sémantique des données, BPM (Business Process Management)
- La stratégie des données, et différence avec les stratégies IT et de gouvernance de données
- Définir la vision
- Déterminer et aligner les objectifs des pipelines avec la vision
- Cartographie de la chaîne de valeur (Value Stream Mapping)
- Apports des analytiques et du Cloud
- Qu'est-ce qu'une organisation Data Driven ?
- Cycle de vie de la Data, gouvernance et qualité des données
- Lean, Agilité et DevOps appliqués aux données
- Apports du DataOps
- DevOps vs DataOps vs MLOps
- Analytiques et opérations : briser le mur de la confusion
- Constituer et former les Data Teams
- Introduction à Microsoft Azure
- Etudes de cas DataOps
Exemple de travaux pratiques (à titre indicatif)
- Processus de développement Agile DataOps : idéation, "inception", R&D, transition / production
- Conception de pipelines
- Les trois variantes d'implémentation de pipelines
- MLflow: la plateforme indispensable pour le tracking des expériences et la gestion des modèles
- Exemples d'implémentations avec MLflow Projects et MLflow Recipes
- Importance du versioning modèle-dataset pour la traçabilité
Exemples de travaux pratiques (à titre indicatif)
Déploiement du meilleur modèle suite à Grid Search / Randomized Search / Optimisation bayésienne
Détection du data drift et du feature drift avec MLflow et Evidently
- Ecosystème des technologies DataOps
- Build vs Buy
- Choisir les bons outils : cartes de Wardley, radar technologique
- Intégration, préparation, traitement et management des données
- Reproductibilité, déploiement, orchestration, et surveillance
- Infrastructure de calcul et moteur d'exécution de requêtes
- Stockage, plateformes et outils d'analytics
- Faire évoluer la pile technologique
- Concevoir des pipelines robustes avec Airflow
- Planifier des workflows complexes avec Airflow
Exemples de travaux pratiques (à titre indicatif)
Planification de l'exécution du pipeline en fonction d'évènements
- Planifier les itérations
- Extraire la valeur des données
- Surveiller la qualité avec la MSP (Maîtrise Statistique des Procédés)
- Mesurer les bénéfices
- Animer les rétrospectives et assurer l'amélioration continue
Exemples de travaux pratiques (à titre indicatif)
Serving de plusieurs modèles via un seul point de terminaison avec MLflow et PyFunc
- Importance de la gouvernance des données
- Culture DataOps et conduite du changement
- Centraliser les plateformes : exemple de Delta Lake
- Tout automatiser
- L'organisation Self-Service
Exemples de travaux pratiques (à titre indicatif)
Mise en place d'une plateforme de données avec Spark et Delta Lake
Programme mis à jour le 28/08/2025
Public concerné
Cette formation est destinée aux ingénieurs DevOps, ingénieurs Data, Data Scientists, Data Analysts, développeurs, architectes Data, chefs de projets, managers, cadres dirigeants, consultants.

Prérequis
Avoir des connaissances en bases de données et/ou analytiques.
J’évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant le test de prérequis.
Faire le testFinancement
Cette formation peut être prise en charge par votre entreprise, seule ou avec l’appui de son opérateur de compétences. Nous fournissons le devis et les pièces attendues par l’OPCO.
Formations liées
- Démarche de gestion de la sécurité des données Réf. BDSD2 joursIntermédiaireProchaine session : 16 nov.1 590 €
- Développer des applications pour Apache Spark avec Python ou ScalaRéf. ODAP4 joursIntermédiaireProchaine session : 24 nov.2 990 €
- Elastic Security : bâtir un SIEM avec la suite Elastic Réf. ESBS3 joursFondamentalProchaine session : 9 déc.2 090 €
- Elasticsearch : administrationRéf. ELAD3 joursIntermédiaireProchaine session : 7 déc.2 090 €