Description détaillée

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. Basé à Mila, je reste joignable pendant toute la durée de la mission. Outils utilisés : DVC, FastAPI, Evidently, MLflow. Comptez environ 12 jours une fois le brief validé.

Problème résolu

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.

Résultat promis

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

Fonctionnalités

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

En bref

Domaine d'activité

Autre

Plateformes et compatibilités

• API
• Linux

Technologies

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

Langues de l'interface

Français · Arabe

Wilaya

Mila

Confiance

• Fiche relue et validée par l'équipe Elite.red

Conditions