- Cours pratique
- FSE
- Informatique
Formation MLOps pour les modèles d’IA générative
De la compréhension des modèles d’IA générative à leur déploiement industriel grâce aux bonnes pratiques MLOps
- Durée
- 3 jours
- Niveau
- Avancé
- Modalités
- Présentiel / Distanciel
Description de la formation MLOps IA generative
Qu’est-ce que le MLOps appliqué aux modèles d’IA générative ?
Le MLOps (Machine Learning Operations) vise à industrialiser le cycle de vie des modèles d’intelligence artificielle. Appliqué aux LLM (Large Language Models) tels que GPT, Claude, Llama ou Mistral, il permet de passer du prototype à la production avec fiabilité et traçabilité. De la quantization au function calling, de l’évaluation à la supervision, cette approche optimise la collaboration entre data scientists, développeurs et ingénieurs système.
Pourquoi suivre une formation MLOps pour les modèles d’IA générative ?
Cette formation vous guide à travers tout le cycle de vie d’un modèle d’IA générative : compréhension des fondamentaux, mise en place d’environnements modernes (Docker, uv, VSCode), gestion des expériences (MLflow, MinIO), jusqu’au déploiement automatisé (FastAPI, CI/CD). Elle allie rigueur technique et dimension pratique pour permettre aux équipes de passer à l’échelle dans leurs projets IA tout en maintenant qualité, performance et reproductibilité.
Objectifs pédagogiques
À l'issue de cette formation MLOps pour les modèles d’IA générative, vous aurez acquis les connaissances et compétences nécessaires pour :
- Comprendre le rôle du MLOps dans le cycle de vie des modèles d’IA générative.
- Identifier les différents types de modèles LLM et leurs critères de choix.
- Évaluer et comparer les performances des modèles via des benchmarks.
- Mettre en place un environnement reproductible pour le développement IA.
- Intégrer un pipeline complet d’expérimentation, de déploiement et de monitoring.
- Déployer des modèles avec Docker, FastAPI, MLflow et superviser leur comportement en production.
Objectifs opérationnels
Savoir industrialiser, déployer et superviser un modèle d’IA générative à l’aide des pratiques et outils MLOps modernes.
Programme
Contenu du cours, module par module
7 modules
- Définitions essentielles : IA, LLM, GPT, Token, GPU, TUP, LPU
- Cycle de vie d’un modèle : construction, exposition, utilisation
- Types de modèles : open source vs closed source, censored vs uncensored
- Taille, quantization et formats (GGUF, ONNX)
- Function calling et critères de spécialisation
Travaux pratiques
Description :Installation et test de modèles via LM Studio. Comparaison des performances selon la taille et les réglages.
- Métriques, leaderboard et tests en ligne
- Méthodes de benchmarking et d’analyse de cohérence
- Utilisation d’arena et de comparateurs web
Travaux pratiques
Description :Activité comparative via leaderboard, puis via arena et web TPU. Quelle métrique privilégier selon le contexte ?
- System vs User prompt
- Stratégies : n-shot, CoT, ToT
- Température, top K, context window
- Intégration du RAG et du function calling
Travaux pratiques
Description :Tests de stratégies de prompt et fonction RAG via Anything LLM.
- Notions d’automatisation et de reproductibilité
- venv, Conda, Mamba, Poetry, uv
- Conteneurisation avec Docker & Kubernetes
- Installation pour Python et Java
Travaux pratiques
Description :Installation d’un environnement moderne (VSCode, uv, Docker, JDK 21).
- Inférence, Training, Transfer Learning
- LoRA, QLoRA et fine-tuning léger
- Hyperparamètres, perplexité, cohérence, relevance
Travaux pratiques
Description :Expérimentation sur des micro-modèles pour observer l’impact du tuning.
- DVC + MinIO pour la gestion de données et artefacts
- MLflow pour le suivi d’expériences
- Ollama + modèles personnalisés
- FastAPI pour le déploiement en ligne
Travaux pratiques
Description :TP de mise en production locale avec Docker + FastAPI. Comment garantir la scalabilité et la stabilité ?
- Monitoring avec Prometheus, Grafana, Evidently AI
- CI/CD avec GitHub Actions et GitLab
- Tests et qualité de code (Pytest, linting, coverage)
- Orchestration avec Mage / Prefect
Travaux pratiques
Description :Mise en œuvre d’une chaîne complète MLOps avec suivi, alertes et supervision continue.
Travaux pratiques
80 % du temps de formation est consacré à la pratique : mise en place d’environnements MLOps, suivi d’expériences, déploiement et supervision. Les stagiaires utiliseront LM Studio, Ollama, MLflow, Docker, Prefect et Grafana.
Programme mis à jour le 29/05/2026
Public concerné
Cette formation s’adresse aux développeurs IA, ingénieurs MLOps, data scientists et architectes techniques souhaitant structurer et industrialiser leurs déploiements de modèles d’IA générative.
Prérequis
Avoir de bonnes bases en Python et en apprentissage automatique. Des connaissances de base sur Docker et Git sont recommandées pour tirer pleinement profit des travaux pratiques.
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
- Spécialiser et auto-héberger les modèles MistralRéf. SAMM3 joursAvancé2 090 €
- AutoML avec H2O.aiRéf. AAHO2 joursFondamentalProchaine session : 15 oct.1 590 €
- Deep Learning avec PyTorchRéf. DLPT3 joursFondamentalProchaine session : 19 oct.2 090 €
- RAG et Fine Tuning d’un LLMRéf. RAFT3 joursIntermédiaireProchaine session : 2 déc.2 090 €