Ce module s'appuie sur la couche d'infrastructure en abordant les risques spécifiques liés aux workflows de développement et de déploiement dans le domaine de l'apprentissage automatique. Les pipelines d'intégration continue et de déploiement continu (CI/CD) accélèrent l'innovation, mais ils offrent également aux attaquants la possibilité d'introduire des dépendances malveillantes, des données corrompues ou des artefacts altérés. Les apprenants étudieront l’anatomie des attaques visant la chaîne d’approvisionnement de l’apprentissage automatique et découvriront des stratégies pratiques pour y faire face, telles que l’analyse des dépendances, la signature de code et les builds reproductibles. La combinaison de la théorie, d’études de cas concrets et d’une démonstration pratique aidera les apprenants à comprendre comment des workflows non sécurisés peuvent compromettre des systèmes d’IA entiers. À l’issue de ce module, les participants seront en mesure de concevoir et de mettre en œuvre des pipelines CI/CD qui intègrent la sécurité à chaque étape du développement et du déploiement des modèles.

Ce module associe la sécurité des infrastructures et celle des flux de travail dans une approche tournée vers l’avenir et axée sur la résilience. Aucun pipeline n’est à l’abri d’une compromission ou d’une erreur, mais les pipelines résilients sont conçus pour détecter rapidement les problèmes, se rétablir en douceur et conserver leur fiabilité même en situation de stress. Les apprenants étudieront les vecteurs d’atteinte courants dans les systèmes d’apprentissage automatique, des entrées adversaires à la dérive des modèles, puis exploreront des stratégies de résilience telles que la restauration, la redondance et la surveillance de la dérive. La démonstration illustre comment même une simple restauration peut protéger la continuité des activités lorsqu’un modèle présente un comportement anormal en production. Le dialogue basé sur des scénarios invite les apprenants à réfléchir de manière critique à l’équilibre entre vitesse, fiabilité et sécurité dans les opérations de ML en situation réelle. À l’issue de ce module, les apprenants sauront comment intégrer la résilience dans les pipelines de ML afin que les défaillances et les attaques deviennent des événements gérables plutôt que des perturbations catastrophiques.