Update for MLOps workshop

public/locales/en/translation.json

@@ -347,18 +347,16 @@
           },
           {
             "title": "Workshop 4 : MLOps",
-            "description": "This workshop helps participants implement an MLOps process for a Machine Learning experiment, transitioning from a Jupyter notebook to full cloud production. The goal is to provide technical skills for managing the lifecycle of Machine Learning models, promoting team collaboration, and automating operational processes to ensure reproducibility, reliability, and efficient deployment of models in production environments. Participants will also learn best practices for improving the deployment process and moving models out of the experimental phase.",
+            "description": "In this workshop, participants will explore the data management aspects of the Retrieval-Augmented-Generation (RAG) framework as applied to Large Language Models. The primary objective is to convert a machine learning experiment provided in a Jupyter Notebook into a production-ready application by integrating a Data Version Control (DVC) pipeline for efficient data management. This workshop aims to provide participants with the technical skills needed to manage the data lifecycle of Machine Learning models, promote collaboration among teams, and automate operational processes.",
             "schedule": {
               "time": "9h-12h30 and 13h30-17h",
               "equipment": "Personal laptop with WSL2 / Linux Ubuntu installed and ready to use."
             },
             "activities": [
-              "Icebreaker exercise.",
-              "Getting started with a simple machine learning experiment.",
-              "Transforming this experiment for model reproducibility and quality evaluation.",
-              "Collaborating effectively to develop a reliable and functional model.",
-              "Deploying the model to the cloud.",
-              "Automating model redeployment when changes are made."
+              "Initial setup.",
+              "Exploration of the RAG experiment.",
+              "Transformation of the experiment to reproduce and evaluate the quality of the model.",
+              "Effective collaboration to build a reliable and functional model over time.",
             ]
           },
           {

public/locales/fr/translation.json

@@ -347,18 +347,16 @@
           },
           {
             "title": "Workshop 4 : MLOps",
-            "description": "Ce workshop aide les participants à implémenter un processus MLOps pour une expérience de Machine Learning, en passant d'un notebook Jupyter à un service de production complet dans le cloud. L'objectif est de fournir les compétences techniques nécessaires pour gérer le cycle de vie des modèles de Machine Learning, promouvoir la collaboration entre les équipes et automatiser les processus opérationnels afin d'assurer la reproductibilité, la fiabilité et le déploiement efficace des modèles dans des environnements de production. Les participants apprendront également les meilleures pratiques pour améliorer le processus de déploiement et sortir les modèles du cadre expérimental.",
+            "description": "Dans ce Workshop, les participant·es exploreront les aspects de la gestion des données dans le cadre RAG (Generation Augmentée par la Recherche) appliqué aux grands modèles de langage (LLM). L'objectif principal est de transformer une expérience de Machine Learning fournie dans un Jupyter Notebook en une application adaptée pour la production en intégrant un pipeline DVC pour une gestion efficace des données. Cet atelier vise à fournir aux participant·es les compétences techniques nécessaires pour gérer le cycle de vie des données des modèles de Machine Learning, promouvoir la collaboration dans les équipes et automatiser les processus opérationnels.",
             "schedule": {
               "time": "9h-12h30 et 13h30-17h",
               "equipment": "Ordinateur portable personnel avec WSL2 / Linux Ubuntu installé et prêt à l'emploi."
             },
             "activities": [
-              "Exercice de brise-glace.",
-              "Prise en main avec une simple expérience de machine learning.",
+              "Préparation initiale.",
+              "Prise en main d'une expérience simple RAG de machine learning.",
               "Transformation de cette expérience pour reproduire et évaluer la qualité du modèle.",
               "Collaboration efficace pour développer un modèle fiable et fonctionnel.",
-              "Déploiement du modèle sur le cloud.",
-              "Redéploiement automatique du modèle en cas de modifications."
             ]
           },
           {