Detailed description

Je reprends le notebook et je le transforme en code structuré : préparation, entraînement, évaluation, prédiction, chacun testé. J’enregistre les expériences dans MLflow et les données dans DVC, puis j’expose le modèle via FastAPI dans un conteneur. Evidently compare chaque semaine les données reçues avec celles de l’entraînement. Je termine par un passage de relais avec la personne qui maintiendra le modèle. Je réalise cette prestation depuis Tébessa, à distance pour les autres wilayas. Outils utilisés : DVC, MLflow, Evidently, Docker. Le délai de 14 jours court à partir du moment où j'ai tout ce qu'il faut.

Problem solved

Un data scientist a construit un modèle prometteur, mais il tourne à la main sur un ordinateur portable. Personne ne sait quand il a été entraîné ni avec quelles données.

Promised outcome

Un modèle servi par API, versionné avec ses données et ses paramètres, surveillé pour la dérive et réentraînable par une commande documentée.

Features

• code d’entraînement restructuré et testé
• registre de modèles MLflow
• API de prédiction conteneurisée
• rapport de dérive hebdomadaire
• procédure de réentraînement

At a glance

Industry

Other

Platforms and compatibility

• API
• Linux

Technologies

• FastAPI
• pytest
• Evidently
• MLflow
• DVC
• Docker

Interface languages

French · Arabic

Wilaya

Tébessa

Trust

• Listing reviewed and approved by the myElite team

Terms