Du modèle de scoring au service suivi

Le problème à résoudre

Transformer un modèle de scoring crédit en une solution technique dont les prédictions, les versions et les évolutions peuvent être suivies.

Mon rôle et mes choix

J’ai travaillé sur l’expérimentation et la chaîne MLOps : service de prédiction, conteneurisation, intégration continue et surveillance des données.

• Tracer les expériences et comparer les modèles avec MLflow.
• Exposer les prédictions par une API conteneurisée et automatiser la chaîne avec GitHub Actions.
• Analyser la dérive avec Evidently et comparer l’inférence LightGBM et ONNX.

Les résultats

Le benchmark sauvegardé rapporte un écart de probabilités de 7,31 × 10⁻⁸ entre les chemins comparés. Il fournit un point de comparaison pour l’export du modèle, sans mesurer les performances du service HTTP complet.

Les limites et la suite

Le benchmark local compare des chemins de calcul différents. La latence cloud, la charge concurrente et le déploiement actuel n’ont pas été contrôlés dans l’audit. Ce projet pédagogique n’est pas un service de décision financière.