L'objectif du projet sera triple :

1- Sélectionner et implémenter un modèle de classification automatique binaire supervisé, adapté aux données bancaires, scorant une probabilité de solvabilité des clients afin de leur accorder ou non un crédit à la consommation (classe 0 ou 1)

2- Développer une API et une interface utilisateur sur le cloud pour accéder à l'inférence du modèle

3- Assurer l'intégration et le déploiement continus de l'API et son versionning avec git

1- ML_training : évaluation et comparaison des performances de différents modèles de classification suivant un scoring métier.

2- Implémentation et déploiement d'une API sur une solution cloud pour l'inférence du modèle entrainé.

3- Automatisation et intégration continue de cette interface API.

• réaliser le data exploring et le feature engineering des données clients (notebook_1)
• définir un scoring métier (notebook_2)
• tester et entrainer différents algorithmes de classification automatique supervisée en tenant compte du biais de représentativité des classes (notebook_2)
• utiliser l'outil de tracking de MLFlow pour logger les métriques de performances et les combinaisons d'hyperparamètres (notebook_2)
• sélectionner le modèle le plus pertinent et le plus performant, analyser la feature importance et la qualité des prédictions (notebook_2)
• enregistrer le modèle (notebook_2)

• développer une API pour tester l'inference du modèle (script python api.py)
• réaliser des tests unitaires de l'API (test_api.py)
• lancer l'api sur le server local

python -m uvicorn api:app --reload

• rédiger un script utilisateur pour tester le fonctionnement de l'api avec des requêtes http en local (notebook_3)

url = 'http://127.0.0.1.8000:/predict"

• créer une image docker à l'aide d'un Dockerfile à la base du repo git = instructions pour définir l'image docker :
  • environnement d'execution
  • dependances
  • fichiers
  • commande d'execution
• tester le conteneur en local :
  • construire l'image docker

docker build -t api_scoring:1.0 .

• lancer le conteneur

docker run -p 8000:8000 --name api_scoring_container api_scoring:1.0

• tester le fonctionnement de l'application en local avec des requêtes http

url = 'http://127.0.0.1.8000:/predict"

• déployer l'API sur une solution cloud, Render (gère le build et le launch)
• tester l'application avec des requêtes https (protocole crypté des données, obligatoire sur un serveur exterieur)

url = 'https://api.onrender.com/predict'

• utiliser Streamlit pour créer une interface utilisateur
• gérer le versioning du code de l'API pour assurer son deploiement continu

• Data exploring / data engineering :

  • nettoyage
  • analyse des distributions
  • encoding
  • analyse des corrélations
  • imputation
  • création de nouvelles variables

• ML et Classifieurs binaires : modèles, métriques, performances

• Cycle de vie d'un projet de ML (mlflow) : experience tracking, model register, model deployment

• Datadrift (evidently)

• API REST (FastAPI, uvicorn)

• tests unitaires (TestClient)

• outils MLOps (docker.desktop, Render)