Développement et déploiement d’applications IA/ML sur Red Hat OpenShift AI (AI267)
Prenez en main la plateforme Red Hat OpenShift AI pour concevoir, entraîner et mettre en production vos modèles de machine learning dans un environnement cloud-native robuste.
Vue d'ensemble
Maîtrise de Git et du développement Python indispensable (ou cours AD141 suivi) ; pratique de Red Hat OpenShift requise (ou cours DO288 validé) ; notions de base en intelligence artificielle et machine learning conseillées.
Objectifs pédagogiques
Programme détaillé
Découverte de Red Hat OpenShift AI
– Présentation de la plateforme : architecture, composants clés et positionnement dans l’écosystème Red Hat
– Projets de data science : organisation des espaces de travail et gestion des ressources partagées
– Notebooks Jupyter : création, personnalisation et bonnes pratiques d’utilisation dans RHOAI
Navigation dans l’interface OpenShift AI, lancement d’un premier notebook, exploration d’un projet de data science préconfiguré
Installation et administration
– Déploiement de la plateforme : procédure d’installation de Red Hat OpenShift AI sur un cluster existant
– Gestion des utilisateurs et des ressources : attribution des droits, quotas et supervision de la consommation
– Images de notebooks personnalisées : création et intégration d’environnements sur mesure pour vos équipes
Installation guidée de RHOAI, configuration des rôles utilisateurs, construction d’une image notebook custom
Fondamentaux du machine learning
– Principes du ML : rappels sur les concepts essentiels (entraînement, validation, métriques de performance)
– Entraînement de modèles : workflows de construction et d’évaluation dans l’environnement RHOAI
– Optimisation avec RHOAI : accélération de l’entraînement grâce aux fonctionnalités avancées de la plateforme (GPU, distributed training)
Entraînement d’un modèle de classification, comparaison de métriques, ajustement d’hyperparamètres
Déploiement et exposition de modèles
– Concepts du model serving : approches de mise à disposition des modèles (temps réel, batch)
– Serving sur RHOAI : configuration des endpoints, monitoring et gestion des versions de modèles
Déploiement d’un modèle entraîné, test d’inférence via API, surveillance des performances en production
Pipelines de data science
– Architecture des pipelines : principes de conception et composants d’un pipeline ML reproductible
– Mise en œuvre pratique : création, exécution et itération sur des pipelines dans Red Hat OpenShift AI
– Pilotage et expérimentations : suivi des exécutions, comparaison des résultats et gestion des expériences
Construction d’un pipeline end-to-end, paramétrage d’expériences multiples, analyse comparative des résultats
Prochaines sessions
16 nov. 2026
Distance - Français
Avis des participants
Financement
Cette formation est éligible aux financements OPCO et FNE-Formation. Nos équipes vous accompagnent dans le montage de votre dossier.
En savoir plus sur le financement