Prérequis
Expérience en Data Science OU DevOps. Idéalement les deux.
Étape 1 : Fondamentaux ML (si background DevOps) (2 mois)
- Machine Learning basique (régression, classification)
- Training, évaluation, métriques
- Overfitting, validation croisee
- Python, pandas, scikit-learn
Étape 2 : Conteneurisation et orchestration (2 mois)
- Docker pour les modèles ML
- Kubernetes pour le scaling
- GPU management
- Serving : TensorFlow Serving, TorchServe, Triton
Étape 3 : Pipelines ML (2-3 mois)
- MLflow : tracking, registry, déploiement
- Kubeflow Pipelines
- Feature stores (Feast)
- Automatisation du retraining
Étape 4 : Monitoring en production (1-2 mois)
- Data drift détection
- Model performance monitoring
- A/B testing de modèles
- Alerting et rollback automatique
Étape 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.