Tirez un maximum de ce cours
Bienvenue dans ce mini-cours sur les défis terrain de l’apprentissage supervisé !
La structure et le contenu de cours vont être très différents de ce que vous avez eu l’habitude de voir :
En effet, ce cours ne se veut pas du tout technique ou théorique ! Bien au contraire, l’objectif est de vous montrer, via des interviews avec des experts, à quoi ressemblent de vrais projets Data en entreprise qui embarquent de l’apprentissage supervisé.
Sur le fond, le contenu ne va pas directement concerner l’apprentissage supervisé. Nous allons aborder des concepts et des sujets périphériques au ML, voire périphériques à la Data, mais qui ont toutes leur importance dans le cycle de vie d’un projet ML en entreprise
Les experts que nous avons invités travaillent tous activement dans la Data dans des rôles techniques seniors et/ou de management. Certaines thématiques abordées avec eux sont communes, d’autres seront spécifiques à leur domaine d’expertise.
Rencontrez votre professeur
Bonjour ! Je suis Zakaria Bouayyad, Machine Learning Engineer et Formateur Data en Freelance. Après avoir obtenu mon diplôme de Grande École d’ingénieur chez Télécom SudParis en 2018, j’ai réalisé pendant quelques années plusieurs projets de Machine Learning au sein du cabinet Capgemini Invent dans les secteurs du Manufacturing et du Retail, puis au sein du groupe d’outillage haut de gamme Hilti. Je suis également mentor chez OpenClassrooms depuis 2021 sur les parcours Data Scientist, Data Analyst et Machine Learning Engineer.
Découvrez le fonctionnement du cours
Chacun des deux chapitres va se concentrer sur une famille de challenges rencontrés dans les projets ML. En outre, chacun des 3 interviews sera accompagné :
D’un lexique qui explique certains termes techniques régulièrement employés dans le monde de la Data mais qui peuvent être étrangers à un profil Data Scientist junior. Pour les concepts difficiles à résumer en quelques mots, nous renvoyons vers des ressources d’approfondissement ;)
De texte où l’on va développer plus en détail les axes clés abordés pendant l’échange.
Avant de lire le texte lié aux interviews, nous vous conseillons d’écouter ces derniers dans leur entièreté et de méditer sur les concepts abordés.
Ce cours a été conçu pour une audience de Data Scientists qui arrive aux derniers projets de leur parcours. Toutefois, il reste très pertinent et compréhensible dans les grandes lignes pour d’autres profils ayant saisi les bases du Machine Learning.
Avant de rentrer dans le vif du sujet, présentons nos 3 experts invités !
Rencontrez les intervenants
Victor Cumer
Victor est actuellement Team Lead de l'équipe Data Engineering chez Qonto, une fintech française. Précédemment, il occupait le poste de Head of Data Platform chez Veepee, où il dirigeait une équipe composée de Data Engineers et de SRE. Il y était responsable de l'infrastructure et des outils liés aux services de big data. Son expérience permet de comprendre l'importance cruciale des enjeux liés à la Data Quality et à la Data Observability, indispensables pour faciliter le déploiement efficace des cas d'usage en machine learning.
Khémon Beh
Khémon est fondateur et CEO de Quickscale AI, cabinet spécialisé en Data Science, MLOps et LLMOps. Fort de plus d’une douzaine d’années d’expérience, il a été lead technique des projets IA stratégiques dans des secteurs comme la banque, le retail et les produits de grande consommation. Avant Quickscale AI, il était Directeur Data Science chez Capgemini Invent.
Il anime également le podcast "AI Impact", où il échange avec des experts sur les défis et réussites de l’IA en production.
Dans cet entretien, Khémon partage un retour d’expérience sur un cas concret en retail, explorant les enjeux business, les défis techniques et les leçons tirées après la mise en production d’un modèle supervisé.
Médéric Hurier
Médéric Hurier (PhD) est Senior MLOps Engineer en Freelance, actuellement en mission chez Décathlon Digital. Il a non seulement été Mentor chez OpenClassrooms (sur les parcours Data Scientist et ML Engineer), mais il a en plus fait du MLOps son expertise pointue et a publié plusieurs ressources gratuites en ligne sur le sujet. Parmi ces ressources vous pouvez trouver :
Son MLOps Coding Course : un cours gratuit qui vise à armer les Data Scientists avec une boîte à outils de ML Engineering très efficace
Son MLOps Python Package : un repository sur Github qui vous servira de template pour lancer vos projets ML en Python.
Ses articles sur Towards Data Science ou il distille plusieurs concepts techniques utiles pour des projets de Data Science.
Notre interview avec lui vous fera découvrir, via des exemples concrets, l'intérêt significatif à mettre en place dès que possible une approche MLOps en entreprise ainsi que les challenges rencontrés.
Excellente lecture ! ;)
