Introduction
Depuis ledébut d’année 2025, j’ai entrepris d’apprendre les compétences nécessaires pour le MLOps, avec un objectif clair : développer un SaaS pour l’achat-revente sur Amazon et créer des offres autour de ces compétences sur mon site Doveaia. Dans cet article, je partage mon cheminement sous forme de roadmap, en expliquant les étapes que j’ai déjà franchies et celles à venir.
1. Premiers pas avec Python
Le choix de Python s’est imposé naturellement, étant le langage de référence pour le Machine Learning et le MLOps. J’ai débuté mon apprentissage en explorant les bases du langage, ses bibliothèques clés et ses applications en data science.
- Article à lire : Embark on Python Journey
2. Crawling avec Playwright
Pour mon projet de SaaS, j’avais besoin d’extraire des données de sites web. J’ai donc exploré l’utilisation de Playwright, un outil puissant pour l’automatisation du web scraping de manière responsable et efficace.
- Article à lire : Responsible Crawler Architecture
3. Choix de l’orchestrateur MLOps : ZenML
Dans une démarche DevOps appliquée au Machine Learning, l’automatisation est essentielle. Après avoir comparé plusieurs orchestrateurs, j’ai décidé d’utiliser ZenML pour implémenter l’intégration continue (CI), le déploiement continu (CD) et l’entraînement continu (CT) de mes modèles.
- Article à lire : MLOps Orchestrator Comparison
Prochaines étapes
- Expérimenter avec des modèles pré-entraînés : Intégrer Hugging Face et déployer des modèles sur Azure ML.
- Automatiser l’entraînement et le déploiement : Implémenter un pipeline complètement automatisé avec ZenML.
- Monétisation des compétences : Proposer des services autour du MLOps via Doveaia.
Conclusion
Ce parcours MLOps est à la fois un apprentissage technique et une aventure entrepreneuriale. En documentant mes étapes, je souhaite aider d’autres développeurs et entrepreneurs à naviguer dans cet univers passionnant. N’hésitez pas à suivre mon évolution sur Doveaia !