OpenClassrooms · P8 · Projet validé
Déployer et suivre le scoring
Faire passer la solution de scoring du notebook à une application suivie et testée.
Modèle→API→Monitoring
Le travail réalisé
Prolonger le scoring par une chaîne de service, de déploiement et de surveillance du modèle, en analysant la dérive et les contraintes d’inférence.
- API conteneurisée, pipeline CI/CD GitHub Actions, journalisation des prédictions et interface de monitoring.
- Analyse de data drift avec outils statistiques et Evidently ; propositions de maintenance et suivi du cycle de vie.
Les résultats disponibles
- Le benchmark sauvegardé annonce environ 57,7× d’accélération et un écart de probabilités de 7,31e-8 sur son protocole local.
- Cette comparaison oppose des chemins de calcul différents et ne mesure pas une requête HTTP complète, le démarrage cloud ni la charge concurrente.
Résultats et retours conservés dans l’audit du 9 octobre 2026. Ils n’ont pas été reproduits lors de la préparation de ce portfolio.
Ce que j’en retiens
Une solution ML continue de vivre après le déploiement : versions, observabilité, dérive, coûts et décisions de maintenance font partie du produit.
Limites et pistes d’amélioration
- Même dépôt et même cas métier que P6 : deux validations pédagogiques, une seule solution de portfolio.
- La documentation et le benchmark doivent préserver le périmètre des chiffres. La configuration de seuil utilisée par le service reste à relier à la version exportée.
- Aucun état de déploiement ou de drift actuel n’a été contrôlé pendant l’audit.