Prerequis
Experience en Data Science OU DevOps. Idealement les deux.
Etape 1 : Fondamentaux ML (si background DevOps) (2 mois)
- Machine Learning basique (regression, classification)
- Training, evaluation, metriques
- Overfitting, validation croisee
- Python, pandas, scikit-learn
Etape 2 : Conteneurisation et orchestration (2 mois)
- Docker pour les modeles ML
- Kubernetes pour le scaling
- GPU management
- Serving : TensorFlow Serving, TorchServe, Triton
Etape 3 : Pipelines ML (2-3 mois)
- MLflow : tracking, registry, deploiement
- Kubeflow Pipelines
- Feature stores (Feast)
- Automatisation du retraining
Etape 4 : Monitoring en production (1-2 mois)
- Data drift detection
- Model performance monitoring
- A/B testing de modeles
- Alerting et rollback automatique
Etape 5 : Cloud ML (2 mois)
- AWS SageMaker
- GCP Vertex AI
- Azure ML
- Cost optimization
Timeline
6-12 mois pour un profil avec des bases solides en ML ou DevOps.