Formation Data Engineer & AIOps
En quelques mois, développez des compétences avancées en Data Engineering et AIOps pour gérer, automatiser et optimiser des pipelines de données et d’IA à grande échelle.
BIG data
Cloud
Data Pipelines
mlops / aiops
Streaming
Messaging
"Ils nous font confiance"
Satisfaction de nos étudiants
Taux de retour à l'emploi
Obtention des certifications
À qui s'adresse cette formation ?
100% financées : CPF, France Travail, Région, OPCO, ...
Les essentiels de la formation
-
Public concerné
-
Prérequis
-
Admission
-
Certification
-
Dates de sessions
-
Solutions de financement
-
Sur mesure
-
Durée & Organisation
À qui s’adresse ce programme ?
Professionnels en reconversion souhaitant passer aux métiers Data Engineer / Cloud Data / MLOps-AIOps,
avec un focus concret sur le déploiement, l’automatisation et la sécurisation de pipelines sur cloud & on-premise.
Salariés en évolution interne ou mobilité (dev, BI/analyst, Ops/QA/sysadmin) voulant monter en puissance sur
le CI/CD, l’Infrastructure as Code, la gouvernance & sécurité et l’observabilité pour accéder à des rôles plus techniques ou stratégiques.
Jeunes diplômés Bac+2/+3 désirant se spécialiser rapidement en cloud data engineering (pipelines ETL/ELT, conteneurs, orchestration, monitoring) et acquérir des compétences directement employables en production.
Créateurs & porteurs de projets souhaitant gagner en autonomie technique pour concevoir, déployer et piloter leur stack data (coûts, performance, conformité) sur AWS/Azure/GCP et environnements internes.
Demandeurs d’emploi visant un repositionnement rapide sur des métiers en tension (Data Engineer, Cloud/Platform Engineer, MLOps), avec portfolio projets et bloc RNCP certifiant à l’appui.
Pré-requis pour intégrer la formation
Profils visés : Bac+3 (info/math/ingé) ou 1–3 ans d’expérience dev/data/DevOps/IT.
Bases requises : Python, SQL, Git, Shell/Linux, notions ETL/ELT & formats (CSV/JSON/Parquet).
Atouts (non bloquants) : Cloud (AWS/Azure/GCP), CI/CD & tests, Docker, IaC (Terraform), réseau, cycle de vie ML & observabilité.
Soft skills : rigueur, autonomie, collaboration (PR/code review), sens produit (perf/sécurité/coût).
Matériel & admission : laptop 16 Go (8 Go min) + droits admin & internet ; FR courant + anglais technique ; candidature → auto-test 30 min → entretien (remise à niveau possible).
Étapes d’admission
Étape 1 : Rendez-vous personnalisé avec un conseiller pour définir votre projet.
Étape 2 : Validation du projet et alignement avec vos objectifs de carrière.
Étape 3 : Choix du rythme idéal : intensif, alternance ou temps partiel.
Étape 4 : Test de positionnement & validation des prérequis pour sécuriser votre réussite.
Étape 5 : Validation du financement avec l’accompagnement de nos experts.
Étape 6 : Planification de la session et lancement officiel de l’aventure chez DATAROCKSTARS.
Des certifications reconnues
Ce bootcamp valide le RNCP40875 – BC03 : «Implémenter et automatiser le déploiement des solutions de données sur le cloud et on-premise».
Certificat délivré par l’EFREI Paris, Grande École d’ingénieurs reconnue (niveau 7 – équiv. Master).
Programme opéré en partenariat EFREI x DataRockstars, orienté mise en prod (CI/CD, IaC, MLOps/AIOps).
À l’issue du jury, vous obtenez l’attestation officielle de réussite du BC03, capitalisable pour le titre RNCP 40875.
Dates & inscriptions
Nous lançons de nouvelles promotions chaque mois.
Contactez-nous pour recevoir les dates exactes ainsi que le calendrier détaillé.
Des solutions adaptées à votre profil
Nous mettons tout en œuvre pour identifier les dispositifs de financement les plus adaptés à
votre situation.
Un conseiller est à votre disposition pour en discuter avec vous.
Un accompagnement personnalisé
Nos formations sont conçues pour s’adapter à vos enjeux. Ensemble, nous construisons un parcours
sur-mesure afin d’atteindre vos objectifs pédagogiques.
Contactez nos équipes pour un accompagnement personnalisé.
Autonomie complète
Bootcamp intensif de 3 mois avec accès à nos ressources pédagogiques, notre plateforme d’apprentissage et nos labs. Destiné aux candidats souhaitant progresser en totale autonomie, ce format requiert rigueur, motivation et capacité d’auto-organisation.
Bootcamp intensif de 3 mois (400h) en blended learning, dispensé en petites cohortes homogènes. Pensé pour les candidats disponibles à temps plein, il permet une reconversion rapide et une insertion accélérée sur le marché du travail.
Blended Learning – Part Time
Un format conçu pour les professionnels en poste (Freelance, CDI ou CDD), permettant de monter en compétences sans quitter leur emploi, grâce à des horaires aménagés en dehors des heures de bureau. Dispensé en petites cohortes homogènes.
FreeFlow Learning - Part Time
La formation qui s’adapte à vous, pas l’inverse ! Avec FreeFlow Learning, bénéficiez d’un accompagnement sur-mesure : un formateur dédié qui ajuste le contenu, le rythme et les horaires selon vos besoins, pour progresser efficacement sans contrainte.
Un conseiller vous accompagne pour choisir le rythme et le financement les plus adaptés.
Retrouvez le détail des tarifs un peu plus bas sur la page. Prenez rendez-vous dès aujourd’hui et donnez vie à votre projet !
Programme détaillé de la formation
-
Module 1
-
Module 2
-
Module 3
-
Module 4
-
Module 5
-
Module 6
-
Module 7
-
Module 8
-
Module 9
-
Module 10
-
Module 11
Module 1 : Fondamentaux Cloud, Réseau & IAM
IaaS/PaaS/SaaS, régions/zones, VPC/VNet, sous-réseaux, NAT, peering.
Rôles & politiques IAM (moindre privilège).
Choix des services de stockage (objet/bloc/fichier) et patterns Data Lake/Lakehouse.
Pratique / TP : Compte projet, VPC/VNet, IAM, bucket objet, chiffrement KMS.
Livrables : Diagramme d’architecture cible, check-list sécurité d’accès, script IaC minimal.
Objectif : Préparer une landing zone cloud sécurisée pour une plateforme data.
Module 2 : Stockage & Lakehouse
Couches bronze/silver/gold, formats Parquet/Delta/Iceberg, partitioning & Z-Ordering.
Métadonnées & catalogue (Glue/Unity/BigLake).
ACL, gestion des clés, rétention, classes de stockage, pratiques FinOps.
Pratique / TP : Déploiement d’un data lake versionné, conversion Parquet→Delta/Iceberg, catalogage.
Livrables : Politique de sécurité des objets, matrice d’accès par rôle, KPI coût/perf initiaux.
Objectif : Déployer et gouverner un Lakehouse prêt pour l’analytique et le ML.
Module 3 : Pipelines Batch & ELT avec Spark + dbt
Ingestion (batch/CDC), Spark/Databricks pour les gros volumes.
ELT avec dbt (tests, documentation auto, lineage).
Publication vers entrepôts/lakehouse et exposition BI.
Pratique / TP : Pipeline bout-en-bout : ingestion → transformations dbt → dataset analytique.
Livrables : Repo Git jobs, tests dbt, documentation, jeu d’exemples reproductible.
Objectif : Concevoir et industrialiser des pipelines batch fiables et traçables.
Module 4 : Streaming temps réel & systèmes distribués
Kafka/PubSub/Kinesis, schémas Avro/Protobuf, schema registry.
Exactly-once, topics partitionnés, consommateurs stateful, CDC→stream→lakehouse.
Traitements stream (Spark Structured Streaming / notions Flink).
Pratique / TP : Producteur/consommateur, sink vers Delta/Iceberg, rejeu contrôlé.
Livrables : DAG de streaming + playbook d’exploitation (retries, backpressure).
Objectif : Implémenter un pipeline streaming résilient et intégrable au reste de la plateforme.
Module 5 : Conteneurs, Kubernetes & Infrastructure as Code
Docker (images slim, multi-stage, sécurité), Kubernetes (Deployments, StatefulSets, Services, Ingress).
Packaging Helm, secrets, configmaps, volumes.
Terraform pour réseau, stockage, compute, et GitOps (ArgoCD/Flux).
Pratique / TP : Déploiement d’un job Spark, d’un service API et d’un scheduler sur K8s via Helm + Terraform.
Livrables : Manifests K8s, chart Helm, state Terraform, runbook déploiement/rollback.
Objectif : Packager et opérer des composants data sur K8s et déclarer l’infra as code.
Module 6 : Sécurité, Conformité & Data Protection
IAM avancé, chiffrement au repos/en transit, rotation de clés, secrets management.
Journalisation, audits, principes RGPD (minimisation, PIA, DLP).
Segmentation réseau, Zero Trust, durcissement des images.
Pratique / TP : Politique d’accès fine-grained, masquage de colonnes sensibles, alertes d’audit.
Livrables : Politique de sécurité, registre des accès, preuve d’audit, fiche d’impacts privacy.
Objectif : Appliquer une politique de sécurité mesurable et auditable sur la data platform.
Module 7 : CI/CD pour la Data
Git flow, GitHub Actions/GitLab CI/Jenkins, artefacts & versioning.
Tests unitaires/intégration et data quality (Great Expectations, dbt tests).
Stratégies de release, environnements (dev/test/prod), approbations.
Pratique / TP : Pipeline CI/CD qui build/publie images & packages, déploie infra/app, exécute tests data.
Livrables : YAML CI/CD, rapports de tests, badges qualité, changelog versionné.
Objectif : Automatiser le cycle de vie des jobs data & de l’infrastructure, avec qualité embarquée.
Module 8: Orchestration & Automatisation des workflows
Airflow/Prefect/Dagster : DAGs, capteurs, backfills, idempotence, SLA/SLO.
Dépendances, reprise sur incident, notifications.
Design “modulaire” pour la réutilisabilité.
Pratique / TP : DAG de prod end-to-end (batch + stream), calendriers, échecs simulés et stratégies de retry.
Livrables : DAGs versionnés, SLA/SLO définis, journal d’exécution & doc opératoire.
Objectif : Industrialiser et automatiser des workflows data tolérants aux pannes.
Module 9: Observabilité, AIOps & FinOps
Métriques, logs, traces (Prometheus, Grafana, OpenTelemetry).
Tableaux de bord, alerting, runbooks, on-call.
FinOps : tagging, budgets, optimisation coût/perf, rightsizing.
Pratique / TP : Export métriques de pipelines, dashboard SLI/SLO, règles d’alerte et auto-remédiation simple.
Livrables : Tableaux de bord, KPI d’exploitation et de coût, runbooks d’escalade.
Objectif : Piloter la fiabilité et les coûts, et enclencher l’AIOps pour réduire le MTTR.
Module 10: MLOps : du modèle au service
MLflow (tracking, modèles, registry), feature store, packaging (conda/poetry).
Serving (SageMaker/Vertex/KFServing/BentoML), déploiements blue-green/canary.
Monitoring de la dérive (data/model), seuils d’alerte, retrain orchestré.
Pratique / TP : Entraînement traçable, promotion staging→prod, déploiement progressif, détection de drift.
Livrables : Expériences tracées, registre de versions, pipeline CI/CD de modèles + moniteurs.
Objectif : Assurer l’efficacité des processus CI/CD en contexte MLOps : versionner, déployer et superviser des modèles en production.
Module 11: Projet Fil Rouge (MSP) & Soutenance
Plateforme data hybride (on-prem + cloud) : ingestion (CDC + streaming), lakehouse Delta/Iceberg, transformations dbt, exposé BI, déploiement K8s, CI/CD, observabilité/AIOps, mise en prod d’un modèle avec surveillance et retrain.
Pratique / TP : Réalisation du projet intégrateur, démo et soutenance.
Livrables :
Repo Git complet ; dossier d’architecture ; politiques IAM/KMS ; KPI coût/perf/sécurité.
Tableaux de bord (SLI/SLO), alerting, runbooks, rapport FinOps.
Démo & soutenance (30–40 min + Q/R) avec preuves d’audit et plan de rollback.
Objectif : Démontrer de bout en bout l’implémentation et l’automatisation du déploiement d’une solution data sur cloud/on-premise.
Programme détaillé de la formation
-
Module 1
-
Module 2
-
Module 3
-
Module 4
-
Module 5
-
Module 6
-
Module 7
-
Module 8
-
Module 9
-
Module 10
-
Module 11
Module 1 : Fondamentaux Cloud, Réseau & IAM
IaaS/PaaS/SaaS, régions/zones, VPC/VNet, sous-réseaux, NAT, peering.
Rôles & politiques IAM (moindre privilège).
Choix des services de stockage (objet/bloc/fichier) et patterns Data Lake/Lakehouse.
Pratique / TP : Compte projet, VPC/VNet, IAM, bucket objet, chiffrement KMS.
Livrables : Diagramme d’architecture cible, check-list sécurité d’accès, script IaC minimal.
Objectif : Préparer une landing zone cloud sécurisée pour une plateforme data.
Module 2 : Stockage & Lakehouse
Couches bronze/silver/gold, formats Parquet/Delta/Iceberg, partitioning & Z-Ordering.
Métadonnées & catalogue (Glue/Unity/BigLake).
ACL, gestion des clés, rétention, classes de stockage, pratiques FinOps.
Pratique / TP : Déploiement d’un data lake versionné, conversion Parquet→Delta/Iceberg, catalogage.
Livrables : Politique de sécurité des objets, matrice d’accès par rôle, KPI coût/perf initiaux.
Objectif : Déployer et gouverner un Lakehouse prêt pour l’analytique et le ML.
Module 3 : Pipelines Batch & ELT avec Spark + dbt
Ingestion (batch/CDC), Spark/Databricks pour les gros volumes.
ELT avec dbt (tests, documentation auto, lineage).
Publication vers entrepôts/lakehouse et exposition BI.
Pratique / TP : Pipeline bout-en-bout : ingestion → transformations dbt → dataset analytique.
Livrables : Repo Git jobs, tests dbt, documentation, jeu d’exemples reproductible.
Objectif : Concevoir et industrialiser des pipelines batch fiables et traçables.
Module 4 : Streaming temps réel & systèmes distribués
Kafka/PubSub/Kinesis, schémas Avro/Protobuf, schema registry.
Exactly-once, topics partitionnés, consommateurs stateful, CDC→stream→lakehouse.
Traitements stream (Spark Structured Streaming / notions Flink).
Pratique / TP : Producteur/consommateur, sink vers Delta/Iceberg, rejeu contrôlé.
Livrables : DAG de streaming + playbook d’exploitation (retries, backpressure).
Objectif : Implémenter un pipeline streaming résilient et intégrable au reste de la plateforme.
Module 5 : Conteneurs, Kubernetes & Infrastructure as Code
Docker (images slim, multi-stage, sécurité), Kubernetes (Deployments, StatefulSets, Services, Ingress).
Packaging Helm, secrets, configmaps, volumes.
Terraform pour réseau, stockage, compute, et GitOps (ArgoCD/Flux).
Pratique / TP : Déploiement d’un job Spark, d’un service API et d’un scheduler sur K8s via Helm + Terraform.
Livrables : Manifests K8s, chart Helm, state Terraform, runbook déploiement/rollback.
Objectif : Packager et opérer des composants data sur K8s et déclarer l’infra as code.
Module 6 : Sécurité, Conformité & Data Protection
IAM avancé, chiffrement au repos/en transit, rotation de clés, secrets management.
Journalisation, audits, principes RGPD (minimisation, PIA, DLP).
Segmentation réseau, Zero Trust, durcissement des images.
Pratique / TP : Politique d’accès fine-grained, masquage de colonnes sensibles, alertes d’audit.
Livrables : Politique de sécurité, registre des accès, preuve d’audit, fiche d’impacts privacy.
Objectif : Appliquer une politique de sécurité mesurable et auditable sur la data platform.
Module 7 : CI/CD pour la Data
Git flow, GitHub Actions/GitLab CI/Jenkins, artefacts & versioning.
Tests unitaires/intégration et data quality (Great Expectations, dbt tests).
Stratégies de release, environnements (dev/test/prod), approbations.
Pratique / TP : Pipeline CI/CD qui build/publie images & packages, déploie infra/app, exécute tests data.
Livrables : YAML CI/CD, rapports de tests, badges qualité, changelog versionné.
Objectif : Automatiser le cycle de vie des jobs data & de l’infrastructure, avec qualité embarquée.
Module 8: Orchestration & Automatisation des workflows
Airflow/Prefect/Dagster : DAGs, capteurs, backfills, idempotence, SLA/SLO.
Dépendances, reprise sur incident, notifications.
Design “modulaire” pour la réutilisabilité.
Pratique / TP : DAG de prod end-to-end (batch + stream), calendriers, échecs simulés et stratégies de retry.
Livrables : DAGs versionnés, SLA/SLO définis, journal d’exécution & doc opératoire.
Objectif : Industrialiser et automatiser des workflows data tolérants aux pannes.
Module 9: Observabilité, AIOps & FinOps
Métriques, logs, traces (Prometheus, Grafana, OpenTelemetry).
Tableaux de bord, alerting, runbooks, on-call.
FinOps : tagging, budgets, optimisation coût/perf, rightsizing.
Pratique / TP : Export métriques de pipelines, dashboard SLI/SLO, règles d’alerte et auto-remédiation simple.
Livrables : Tableaux de bord, KPI d’exploitation et de coût, runbooks d’escalade.
Objectif : Piloter la fiabilité et les coûts, et enclencher l’AIOps pour réduire le MTTR.
Module 10: MLOps : du modèle au service
MLflow (tracking, modèles, registry), feature store, packaging (conda/poetry).
Serving (SageMaker/Vertex/KFServing/BentoML), déploiements blue-green/canary.
Monitoring de la dérive (data/model), seuils d’alerte, retrain orchestré.
Pratique / TP : Entraînement traçable, promotion staging→prod, déploiement progressif, détection de drift.
Livrables : Expériences tracées, registre de versions, pipeline CI/CD de modèles + moniteurs.
Objectif : Assurer l’efficacité des processus CI/CD en contexte MLOps : versionner, déployer et superviser des modèles en production.
Module 11: Projet Fil Rouge (MSP) & Soutenance
Plateforme data hybride (on-prem + cloud) : ingestion (CDC + streaming), lakehouse Delta/Iceberg, transformations dbt, exposé BI, déploiement K8s, CI/CD, observabilité/AIOps, mise en prod d’un modèle avec surveillance et retrain.
Pratique / TP : Réalisation du projet intégrateur, démo et soutenance.
Livrables :
Repo Git complet ; dossier d’architecture ; politiques IAM/KMS ; KPI coût/perf/sécurité.
Tableaux de bord (SLI/SLO), alerting, runbooks, rapport FinOps.
Démo & soutenance (30–40 min + Q/R) avec preuves d’audit et plan de rollback.
Objectif : Démontrer de bout en bout l’implémentation et l’automatisation du déploiement d’une solution data sur cloud/on-premise.
L’innovation pédagogique au service de votre réussite
Le monde évolue vite : vos formations doivent s’adapter à vos contraintes, à votre rythme et aux nouvelles façons d’apprendre. Chez nous, l’innovation pédagogique est au cœur de chaque parcours : pratique, flexible et personnalisée pour garantir une montée en compétence immédiate et durable.
L'AI intégrée à votre parcours de formation
Peu importe la formation choisie, nous avons repensé toute notre ingénierie pédagogique pour y intégrer l’intelligence artificielle.
Dans vos projets fil rouge, les modules et les sessions d’accompagnement, vous apprendrez à utiliser l’IA pour innover, analyser et automatiser, tout en cultivant les bons réflexes et la réflexion éthique.
-
Travailler avec l’IA dans vos projets
-
Découvrir les outils avancés de votre domaine
-
Être prêt pour le marché du futur
-
Booster vos compétences et devenir un étudiant augmenté
Autonomie complète
Formation 100% autonome, idéale pour les candidats disciplinés, motivés et capables de s’auto-organiser.
3200 €
- Plateforme dédiée
- Exercices et Projets
- 200 h de cours en ligne
- Support
Blended Learning
Bootcamp intensif de 3 mois (400h) en petites cohortes, pour une reconversion rapide et une insertion accélérée
5500 €
- Plateforme dédiée
- Exercices et Projets
- 400 h de cours en ligne
- Chat temps reel avec nos formateurs
- Mentorat, Masterclass
- Accompagnement à la certification
- Accès à notre plateforme de Recrutement / Jobdating
- Accompagnement carrière
Blended Learning
Format flexible pour les professionnels en poste, avec horaires aménagés en dehors des heures de bureau.
6900 €
- Plateforme dédiée
- Exercices et Projets
- 400 h de cours
- Chat temps reel avec nos formateurs
- Mentorat, Masterclass
- Accompagnement à la certification
- Accès à notre plateforme de Recrutement / Jobdating
- Accompagnement carrière
FreeFlow Learning
7900 €
- Plateforme dédiée
- Exercices et Projets
- 400 h de cours
- Chat temps reel avec nos formateurs
- Mentorat, Masterclass (dédié - flexible)
- Agenda Flexible 3 ou 6 Mois
- Adaptative learing
- Accompagnement à la certification
- Heures d’accompagnement supplémentaires sur demande
Une plateforme de développement tout-en-un
Le parcours complet Datarockstars
Forgez votre succès avec la data science : Plongez dans notre formation pour développer des compétences essentielles et recherchées.
Cette formation est certifiante est délivre un diplôme d’état : Certification RNCP de niveau 6 (équivalent à un BAC+3/4 sur le marché du travail)
Découverte & Intégration
L’aventure démarre par une immersion dans l’univers de la data, de l’IA et de la cybersécurité. Nos apprenants découvrent les métiers, renforcent leurs bases techniques et prennent en main les outils indispensables pour réussir.
Formation & Projets
Le parcours culmine avec un projet fil rouge soutenu devant un jury professionnel. Cette étape valide officiellement les compétences acquises et couronne le parcours avec une certification DataRockstars reconnue sur le marché.
Certification
En fin de formation, un projet final est soutenu devant un jury pour valider les compétences et obtenir la certification Datarock Stars
Insertion professionnelle
Nous ne vous formons pas seulement à un métier, nous vous accompagnons jusqu’à l’emploi. Coaching personnalisé, job dating, accès à notre réseau d’entreprises partenaires : tout est mis en œuvre pour accélérer votre embauche.
Réseau & Communauté
Avec DataRockstars, la formation n’est qu’un début. Vous intégrez une communauté active d’alumni et de professionnels. Participation à des événements exclusifs, masterclass, hackathons, afterworks… Vous faites désormais partie d’une famille soudée qui partage les mêmes valeurs et ouvre des portes tout au long de votre carrière.
Les métiers de la data & AI qui vous attendent demain !
Un panorama des métiers les plus sollicités dans le secteur de la Data & IA
-
AI Engineer
-
MLOps Engineer
-
Data Product Manager
-
Data Steward (Gouvernance)
-
NLP Engineer (LLMs)
-
Computer Vision Engineer
-
Database Administrator (DBA)
-
Chief Data Officer (CDO)
Lancez votre carrière et trouvez
un emploi !
Témoignages de nos étudiants
Pourquoi choisir notre formation ?
Chez DATAROCKSTARS, la satisfaction de nos apprenants est notre plus grande réussite. Grâce à une pédagogie innovante, un accompagnement sur-mesure et des projets concrets, nos étudiants développent des compétences solides et directement applicables sur le marché du travail.
Prenez rendez-vous !
- Call avec nos experts
Simple et efficace et gratuit, si vous avez besoin de savoir si cette formation est faite pour vous, nos experts sont à votre écoute.
Vous avez des questions ?
Nos experts pédagogiques sont la pour répondre à vous questions, alors n’hésitez pas à postuler !