Un workflow MLOps

Cet exercice vous propose d’appliquer certains concepts Kubernetes à un workflow MLOps.

L’équipe data science de votre entreprise utilise un algorithme pour détecter des valeurs inhabituellement élevées (outliers) dans une série temporelle issue d’un appareil IoT. Cet algorithme est constamment amélioré, ce qui entraîne de fréquentes mises à jour publiées sous forme de nouvelles versions d’une image Docker correspondante. Votre mission est de les aider à mettre ces algorithmes en production et à tester les performances de chaque version.

Les éléments suivants ont été préparés :

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