Programme / avancement

[avouacr]

• Intro

• 1er chapitre : Cas simple MLFlow (scikit learn auto log)

• 2eme chapitre : Cas métier sur APE (class custom)

  • Contextualisation / Problématique
  • Présentation data
  • Class custom / différence autolog

• 3eme chapitre :

  • Déploiement local puis FastAPI
  • Déploiement Kubernetes (manuel)
  • Déploiement Kubernetes automatisé (ArgoCD) @ThomasFaria

• 4eme chapitre : Entrainement/optimisation distribué (argo workflow)

• 5eme chapitre : ML en production

  • Quelle organisation ?
  • Monitoring / observability : quelles métriques ?
    • Métier : training-prod skew, data drift, model drift
    • (Software : logging API, resources use, latence, ...)
  • Construire la chaîne de traitement des logs
    • Implémenter le logging pertinent dans le code applicatif (métriques métiers..) @ThomasFaria
    • Envoyer les logs sur S3 @avouacr
    • ETL pour construire des parquets partitionnés par date @avouacr
    • Dashboard avec Superset/Redash @tomseimandi

• Aller plus loin

  • Réentraînements