« Tous les projets

AeroVision

Une chaîne data et machine learning complète, de l'ingestion au modèle supervisé en production, montée seul en quatre semaines.

Prédire les vagues de retards par aéroport, à partir d'une API de capteurs simulés en direct, avec pannes, champs vides et indicateurs de qualité. Aucun jeu de données propre, volontairement : l'objectif était de monter la chaîne entière comme elle existe en entreprise, pas d'entraîner un modèle sur un fichier bien rangé.

Ce qui a été construit

• Une chaîne d'ingestion et de transformation qui écrit dans une base temporelle, avec les couches brute, curée et opérationnelle séparées.
• Une API produit sécurisée qui lit la couche curée et n'écrit que dans sa propre table utilisateurs.
• Un tableau de bord pour les prédictions servies et la santé de la chaîne.
• Un entraînement de modèles avec suivi des expériences et registre de modèles, plus une détection de dérive sur les données entrantes.
• Une intégration continue qui construit et pousse les images de conteneur, et la supervision par-dessus.

Résultat

• Sept phases livrées en quatre semaines, chacune déployée et pas laissée sur une branche.
• Une forge privée avec son runner et son registre d'images, en remplacement d'une installation plus lourde qui mangeait la mémoire du serveur.
• La stack a été éteinte volontairement une fois son rôle joué, avec les dumps de base et les archives de dépôt conservés.

Stack