.webp){kind=logo}
Mettez de l'ordre dans le chaos des modèles ML en mettant en place un système de tracking et de versioning centralisé avec MLflow. En deux jours, vous passerez de scripts éparpillés à une véritable infrastructure MLOps où chaque expérience est documentée, reproductible et prête à basculer en production.
Contexte :
Vous venez de rejoindre l'équipe MLOps d'une start-up éditrice d'une application de prédiction immobilière. Jusqu'à présent, les Data Scientists entraînaient leurs modèles localement sans aucun historique, ce qui pose des problèmes de reproductibilité. Votre responsable technique vous demande de mettre en place un serveur de tracking local pour centraliser les métriques et enregistrer proprement la première version officielle du modèle.
Votre mission est de :
- Lancer un serveur de tracking MLflow en local via le terminal.
- Configurer l'URI de tracking dans un script d'entraînement Python existant (code Scikit-Learn fourni). - Instrumenter le code pour enregistrer (logger) automatiquement les hyperparamètres et les métriques de performance (RMSE, $R^2$).
- Enregistrer le modèle finalisé dans le registre de modèles (Model Registry) de MLflow.
À l’issue de la formation, le stagiaire sera capable de gérer le cycle de vie des modèles ML.
2 jours
Tarif inter-entreprises : sur demande
Tarif intra-entreprise : sur demande
Data scientists, MLengineers.
Connaissances en ML et Python.
Vous avez 0,5 jour (une demi-journée) pour réaliser ce travail d'initialisation. Vous travaillerez de manière individuelle.
- Votre responsable technique (formateur) validera individuellement l'exécution de votre script et la structure des logs.
- Une démonstration visuelle de votre interface MLflow UI sera demandée.
- Le serveur de tracking MLflow local tourne et l'UI est accessible sur le navigateur. - Les paramètres et les métriques de performance demandés sont visibles et correctement typés dans l'interface.
- L'artefact du modèle est correctement enregistré et versionné dans le Model Registry.
Livrables :
- Le code Python d'entraînement modifié (train.py).
- Une capture d'écran de l'interface MLflow UI montrant le run réussi et le modèle présent dans le registre.
Si vous êtes en situation de handicap, il est possible de mettre en place des aménagements.
