ACTIA Engineering Services - REF:IA-03 PIPELINE MLOPS LOCALE ET GESTION EFFICACE DES MODÈLES DE MACHINE LEARNING PFE

Objectif du sujet

DÉPLOYER UN SOCLE MLOPS FONCTIONNEL ET REPRODUCTIBLE POUR UN MODÈLE UNIQUE DANS UN ENVIRONNEMENT LOCAL.
METTRE EN PLACE UNE CHAÎNE D'INTÉGRATION ET D'ENTRAÎNEMENT CONTINU QUI SE DÉCLENCHE SUR UN CHANGEMENT DE CODE OU DE DONNÉES, EN UTILISANT UN SEUL OUTIL CI/CD.

Mettre en place l’environnement de travail local (conteneurs, orchestration légère, configuration de l'environnement de développement).
Collecter et nettoyer les données nécessaires à l'entraînement du modèle, préparer les jeux d'entraînement/validation/test.
Entraîner des modèles et mettre en place un pipeline automatisé d'entraînement et déploiement (CI/CD déclenché par changement de code ou de données).
Déployer les modèles dans un environnement local (par ex. Minikube) et tester les performances, assurer des itérations pour améliorations.
Mettre en production le modèle localement, assurer la surveillance continue (monitoring) et effectuer les ajustements nécessaires.

Conteneurisation (Docker) et bonnes pratiques pour images reproductibles.
Orchestration légère : Minikube / Kubernetes local pour déploiement et gestion des pods.
Suivi d'expérimentation : MLflow ou outil équivalent pour traçabilité des runs et artefacts.
Automatisation (CI/CD) : mise en place d'une seule chaîne CI/CD capable de déclencher entraînement/déploiement sur changement de code ou de données.

Socle MLOps local fonctionnel et reproductible pour un modèle unique (scripts, manifests, images conteneurisées).
Pipeline CI/CD automatisé documenté et testé (déclenchement, entraînement, validation, déploiement).
Modèle déployé en local avec rapports de performance et procédure de surveillance/alerting.
Documentation d'installation, d'exploitation et d'ajustement du socle MLOps.