Un flux de travail MLOps

Cet exercice vous amène à appliquer certains concepts de Kubernetes à un flux de travail MLOps.

L'équipe de data science de votre entreprise utilise un algorithme pour détecter les valeurs anormalement élevées (valeurs aberrantes) dans une série temporelle provenant d'un dispositif IoT. Cet algorithme est continuellement amélioré, ce qui entraîne des changements fréquents publiés comme de nouvelles versions d'une image Docker correspondante. Votre tâche consiste à les soutenir en mettant ces algorithmes en production et en aidant l'équipe à tester la performance de chaque version.

Les éléments suivants ont été préparés :

• Les données réelles pour exécuter l'algorithme de détection (data.csv), qui seront copiées dans une image Docker
• Deux versions différentes de l'algorithme de détection des valeurs aberrantes (detect_outliers_*.py)
• Deux Dockerfiles pour créer deux images contenant ces différentes versions (Dockerfile.outlier_detection_*)
• Un script bash pour préparer et téléverser les images (01_images.sh)
• Un Manifeste Kubernetes nommé 02_pods_outlier-detection.yml, que vous utiliserez pour déployer les algorithmes de détection de valeurs aberrantes.