← PROJETS · PROJET
Plateforme MLOps auto-réparatrice — NYC Taxi
Un modèle de durée de course NYC servi sur Kubernetes, surveillé par Prometheus et réentraîné automatiquement quand ses performances se dégradent.
Choc COVID d’avril 2020 détecté et corrigé sans intervention : MAE holdout de 4,49 à 3,09 min après réentraînement et promotion automatiques.
Dateoct. 2026
StatutTerminé
Plateforme MLOps complète qui tourne en local sur un cluster Kubernetes (kind) : un modèle prédit la durée d’une course de taxi à New York, une API le sert, et la chaîne de surveillance le remplace toute seule quand il se dégrade.
Ce que fait la plateforme
- Service. Une API FastAPI sur Kubernetes sert le modèle via l’alias MLflow « champion », rechargé à chaud quand un nouveau modèle est promu.
- Surveillance. Une alerte Prometheus se déclenche quand la MAE dépasse 1,15 × la référence. Alertmanager lance alors un Job Kubernetes de réentraînement.
- Promotion prudente. Le modèle challenger n’est promu que s’il bat le champion d’au moins 2 % sur des données jamais vues.
- Observabilité. Dashboards Grafana, rapports de dérive Evidently, CI GitHub Actions avec une baseline contractuelle.
Résultats
- Durée de course prédite à environ 3,3 min de MAE, 17 % mieux que la médiane par trajet.
- Rejeu de février à juillet 2020 : la dégradation due au COVID (avril) est détectée, le réentraînement est lancé et le challenger promu automatiquement. MAE holdout : 4,49 → 3,09.
Stack
Python, FastAPI, MLflow (registry + Postgres), Kubernetes (kind), Helm, Prometheus, Alertmanager, Grafana, Evidently, Docker Compose, GitHub Actions, uv.