Vue d’ensemble
Volet Métier
⏱️ Environ 3 heures
Module 14 — MLOps appliqué à l'assurance
- Cycle de vie complet d'un modèle ML
- Monitoring de modèles en production
- Détection du drift (data drift, concept drift)
- Réentraînement et stratégies de mise à jour
- Gouvernance des modèles
Volet Technique
⏱️ Environ 3 heures
Module Technique 14 — Projet Central — Pipeline de données
- Pipeline ETL avec Python (pandas, SQLAlchemy)
- Nettoyage des données assurance
- Validation avec great_expectations
- Tests de qualité automatisés
- Orchestration du pipeline
Objectifs de la semaine
À la fin de cette semaine, tu seras capable de :
Côté métier :
- Cycle de vie complet d'un modèle ML
- Monitoring de modèles en production
- Détection du drift (data drift, concept drift)
- Réentraînement et stratégies de mise à jour
- Gouvernance des modèles
Côté technique :
- Pipeline ETL avec Python (pandas, SQLAlchemy)
- Nettoyage des données assurance
- Validation avec great_expectations
- Tests de qualité automatisés
- Orchestration du pipeline
Planning suggéré
| Jour | Matin (Métier) | Après-midi (Technique) |
|---|---|---|
| Jour 1 | Cycle de vie complet d’un modèle ML | Pipeline ETL avec Python (pandas, SQLAlchemy) |
| Jour 2 | Monitoring de modèles en production | Nettoyage des données assurance |
| Jour 3 | Détection du drift (data drift, concept drift) | Validation avec great_expectations |
| Jour 4 | Réentraînement et stratégies de mise à jour | Tests de qualité automatisés |
| Jour 5 | Débriefing et validation | Livrables |