Présentation
L’architecte de données (data architect) conçoit les systèmes de gestion de données massives et complexes. Il participe à la mise en production d’applications d’intelligence artificielle, contribue au passage à l’échelle et assure le déploiement des modèles. Sa mission MLOps (Machine Learning Operations) est de planifier les outils et les pratiques pour automatiser et optimiser les phases de développement, de test, de déploiement et de supervision des modèles d’apprentissage machine.
Cette activité MLOps devient plus cruciale que jamais avec le passage d’une phase R&D à la phase actuelle d’industrialisation massive et de génération de contenus avec la IA générative (GenAI). À mesure que les entreprises intègrent des solutions d’intelligence artificielle dans leurs opérations quotidiennes, la gestion efficace du cycle de vie des modèles devient une priorité stratégique. L’IA générative permet de créer des contenus originaux et offre des opportunités innovantes mais nécessite un déploiement rigoureux pour garantir la performance, la précision et la fiabilité des modèles déployés.
Ces modèles peuvent évoluer rapidement : la créativité doit être équilibrée avec la précision des sciences des données (data science) et la conformité avec la règlementation. Le data architect assure non seulement la qualité et la cohérence des sorties générées, mais répond aussi rapidement aux nouvelles exigences, aux nouveaux algorithmes et au retour des utilisateurs. Il permet ainsi aux organisations de créer, de déployer et de gérer efficacement des modèles d’intelligence artificielle à grande échelle, tout en garantissant leur intégration dans les systèmes de données existantes, leur fiabilité, leur performance et leur sécurité.
#ParlonsFormation – Témoignages clients
Objectifs
- Concevoir une architecture de données et de traitements robuste et évolutive, y compris la modélisation, la génération des données et le stockage des données
- Intégrer les solutions d’intelligence artificielle dans des architectures de données existantes ou dans des architectures en conception (byDesign) avec une approche frugale
- Produire des pipelines de données efficaces pour l’entraînement, le déploiement et la gestion des modèles de science de données et d’intelligence artificielle
- Gérer le cycle de vie des modèles, la supervision des performances et l’automatisation des processus de déploiement
- Limiter les risques dans la conception, le déploiement et l’exploitation de l’architecture de données
-
Programme
Introduction
L’analyse exploratoire des données
- Explorer les données
- Traitement préalable des données : Assurer La Complétude, Gérer Les Outliners, Nettoyage, Normalisation, Atténuation, Discrétisation
- Les données en tant qu’actifs de l’entreprise
Architecture d’une application IA
- Besoins, objectifs et contraintes
- Approche monolithique vs microservices
- Intégration de la sécurité dans le cycle de vie du développement applicatif
Enjeux de l’IA
- Risques juridiques et éthiques
- Risques produit des applications de science de données et IA
- Accompagnement du changement pour une transformation numérique avec l’IA
- Définir une stratégie de qualité de données (data quality)
Systèmes de traitement de données massives
- Applications cloud-natives
- Cadrer un projet de données intensives pour la science de données et l’IA
- Intégration de la sécurité dans le cycle de vie du développement logiciel
- Mapreduce
- Au-delà de mapreduce : spark, stratosphere
- Message passing interface
- Calculs distribués sur des graphes : graphlab, pregel, giraph
- Infrastructure et analyse continu
- Optimisation et déploiement continu de modèles
Apprentissage machine: de la théorie aux design patterns
- Produire un modèle d’apprentissage automatique
- Apprentissage supervisé, deeplearning et IA générative : éléments de la théorie de vapnik chervonenkis, support vector machines et arbres de décision
- Apprentissage en ligne
- Apprentissage statistique distribué
- Techniques d’échantillonnage
- Variables latentes et clustering
- Chaînes de markov cachés
- Réseaux de neurones, apprentissage par renforcement et traitement d’images
- Design patterns applicatifs et modèles
Traitement du langage naturel et Transformers
- Tokenisation
- Marquage de partie de discours
- Représentation de document
- Word embeddings
- Transformers, llms et infrastructures de calcul
Génération de données
- Retrieval augmented generation
- Fine tuning à partir de modèles pré‑entraînés
- Génération des données visuelles
- Déployer un modèle d’IA générative
Stockage de données massives
- Sgbd relationnels distribués classiques
- Systèmes de fichiers distribués hdfs/gfs
- Stockage à grande échelle
- Stockage clés-valeurs par table de hachage distribuée (dynamo)
- Stockage par arbre distribué (bigtable, hbase)
- Systèmes newsql (google spanner, sgbd en mémoire, mysql cluster)
Apprentissage distribué : fouille de Graphes
- Distribution d’algorithmes d’indexation, d’apprentissage et de fouille
- Index Inversé
- Factorisation de matrice
- Échantillonnage
- Pagerank
Synthèse et Conclusion
-
Public cible et prérequis
Ingénieur ou chef de projet souhaitant développer des compétences dans le domaine de conception et déploiement de systèmes de données massives pour évoluer vers un poste tel que celui d’architecte des données (architecte data), d’ingénieur MLOps ou de responsable projet data.
-
Responsables
Pietro GORI
Enseignant-chercheur au département Image, Données, Signal de Télécom Paris et au laboratoire LTCI. Ses recherches portent principalement sur l'anatomie computationnelle, l'analyse des formes, l'apprentissage statistique et l'imagerie médicale.
Fabian SUCHANEK
Enseignant-chercheur à Télécom Paris. Il a fait ses recherches à l’Institut Max Planck en Allemagne, chez Microsoft Research Cambridge/UK, chez Microsoft Research Silicon Valley/USA, et à l’INRIA Saclay. Il est l’auteur principal de YAGO, une des plus grandes bases de connaissances publiques dans le monde.
-
Vidéo
-
Évaluation et certification
Contrôle des acquis et des savoir-faire au travers de travaux individuels et de groupe. Évaluation du mémoire professionnel basé sur un projet individuel soutenu devant un jury.
Les participants ayant suivi le parcours avec succès obtiennent la certification “RS6017 - Data Science : analyse et gestion de grandes masses de données” (de niveau 7) de Télécom Paris.
