Formation Data Engineering

Ce module vous permettra de comprendre les enjeux liés au data management et d’accompagner les entreprises dans la mise en place d’une gouvernance des données efficace.

Vous apprendrez à évaluer la maturité d’une entreprise en matière de gestion des données, à structurer ses équipes data en fonction des besoins et à assurer la conformité aux réglementations en vigueur (RGPD, AI Act, etc.).

Dans ce deuxième module, vous découvrirez comment déployer votre application d’IA sur n’importe quel serveur grâce à Docker. La maîtrise de Kubernetes vous permettra de vous assurer qu’elle fonctionne bien à l’échelle.

Vous apprendrez également à booster vos modèles grâce à Ray, un Framework de ML distribué. Cela vous permettra de travailler sur des modèles de Machine Learning et Deep Learning plus complexes.

Dans ce module, vous apprendrez à concevoir et déployer différentes architectures de bases de données en fonction des besoins métiers. Vous découvrirez les bases de données transactionnelles (OLTP), analytiques (OLAP) et NoSQL, ainsi que leurs cas d’usage respectifs.

À l’issue de ce module, vous serez ainsi capable de structurer efficacement les données pour optimiser leur stockage, leur accès et leur analyse.

Une fois votre application en production, elle génère une grande quantité de données qu'il faut collecter, transformer et acheminer efficacement.

Dans ce module, vous apprendrez à concevoir et mettre en place des pipelines de données robustes, en comprenant les différences entre les architectures ETL et ELT, ainsi que leurs cas d’usage. Vous appliquerez ces concepts en pratique sur Airbyte.

Vous découvrirez la puissance des automatisations pour gagner en efficacité ! Vous apprendrez à créer des automatisations entre applications à l’aide d’outils comme Airflow, et découvrirez les bonnes pratiques. Vous apprendrez également comment utiliser Airflow pour automatiser votre pipeline Data.

Dans ce module, vous découvrirez le Reinforcement Learning, une branche avancée de l’IA qui permet à un agent d’apprendre par essais et erreurs pour maximiser une récompense. Utilisé pour l’amélioration des modèles de langage (LLM) tels que ChatGPT, le Reinforcement Learning est à l’origine d’avancées majeures ces dernières années.

Vous apprendrez également à créer votre propre environnement de développement et à améliorer la puissance et vitesse de calcul de vos modèles.

Dans ce module, vous apprendrez à industrialiser vos modèles de Machine Learning en automatisant chaque étape : le testing, l’intégration et le déploiement continus (CI/CD), l’entraînement automatisé (Continuous Training) et le monitoring.

Vous adopterez les meilleures pratiques de MLOps pour garantir des modèles performants, fiables et faciles à maintenir en production.

Lors de ce projet final, vous mettrez à profit l’ensemble des connaissances acquises au cours du module MLOps et des modules précédents afin de construire une pipeline de données incluant une pipeline d’IA entièrement automatisée.