SERVICE
IA & Python
Solutions IA mises en production : du POC qui marche en notebook à un service ML qui tient la charge, monitoré, versionné, expliquable.
01 — Le défi
Le défi
Le modèle marche à 94 % d'accuracy en notebook. En prod, il dérive en six semaines, personne ne sait pourquoi, et le réentraînement prend trois jours.
02 — L'approche
L'approche
On industrialise le ML : pipeline d'entraînement reproductible, feature store, déploiement A/B, monitoring de drift, retraining déclenché par seuil. MLOps qui tient sans culte de la donnée.
Cadrage
Use case, qualité des données, métriques de succès business — avant toute ligne de code.
POC → MVP
Modèle entraîné, baseline servie via FastAPI, pipeline d'évaluation continue avec set de tests réels.
Industrialisation
MLOps complet, monitoring de drift, retraining automatisé et transfert de compétences à l'équipe data.
03 — Résultats
Résultats
Modèles servis à 42ms p95, drift détecté en 24h vs 6 semaines avant, retraining sous 4h, coût GPU divisé par 2.6.