Un flux de travail MLOps

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

L'équipe de science des données de votre entreprise utilise un algorithme pour détecter des valeurs inhabituellement grandes (valeurs aberrantes) dans une série temporelle provenant d'un appareil IoT. Cet algorithme est constamment amélioré, ce qui entraîne des changements fréquents qui aboutissent à de nouvelles versions d'une image Docker respective. Votre tâche consiste à les soutenir en mettant ces algorithmes en production, en aidant l'équipe de science des données à tester les performances individuelles des versions.

Le texte suivant a été préparé :

• 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 télécharger les images (01_images.sh)
• Un manifeste Kubernetes appelé 02_pods_outlier-detection.yml est disponible, que vous utiliserez pour déployer les algorithmes de détection des valeurs aberrantes.