Semaine Synthèse : Industrialisation IA & MLOps 2026

Bienvenue dans cette semaine intensive. L'objectif est de passer d'un simple Notebook de recherche à une application IA robuste, testée et monitorée.

Objectifs Pédagogiques

• Maîtriser l'écosystème moderne Python avec uv.
• Structurer une API de production avec FastAPI.
• Mettre en place un monitoring complet (MLflow/TensorBoard) et des logs pro (Loguru).
• Garantir la qualité logicielle (Pytest, Docstrings, README).

Nouveauté:

• pytest-cov
• joblib

---

Le Workflow Standard

Pour chaque projet, vous devez respecter la structure suivante :

1. Gestion de projet : Initialisation avec pyproject.toml et uv lock.
2. Exploration : Notebook de nettoyage et visualisation des données.
3. Entraînement : Utilisation de SciKeras pour intégrer le Deep Learning dans un pipeline Scikit-Learn.
4. Monitoring : Suivi des métriques via MLflow (Tabulaire) ou TensorBoard (Séquences/Images).
5. Export : Sauvegarde du pipeline complet avec joblib.

---

Exercices

Vous devez réaliser l'exploration et l'entraînement pour les quatre sujets suivants. Cependant, un seul projet au choix devra être "Industrialisé" (API, Tests, Logs, Docstrings).

1. Régression : Consommation Énergétique

Prédire la consommation électrique d'une usine sidérurgique.

• Dataset : Steel Industry Energy Consumption
• Challenge : Gérer les variables temporelles et la multi-colinéarité.

2. Classification : Réussite Académique

Prédire si un étudiant va abandonner, rester ou obtenir son diplôme.

• Dataset : Students' Dropout and Academic Success
• Challenge : Équilibrage des classes et analyse de l'importance des variables.

3. Vision : Reconnaissance Culinaire (Transfer Learning)

Classifier des images de plats parmi 101 catégories.

• Dataset : Food-101
• Challenge : Utilisation d'un modèle pré-entraîné (MobileNet ou ResNet) et optimisation fine (Fine-tuning).

4. RNN : Qualité de l'Air (Time Series)

Prédire la concentration de CO (Monoxyde de carbone) à partir de capteurs chimiques.

• Dataset : Air Quality Index
• Challenge : Mise en place d'une fenêtre temporelle (Sliding Window) et gestion des données manquantes.

---

Le Livrable Final (Le Projet Choisi)

Le projet que vous choisirez de finaliser devra impérativement comporter :

Structure du Code

├── api/
│   ├── main.py            # Routes FastAPI
│   └── model_ia/
│       └── model.py       # Logique de prédiction (Propre & Documenté)
├── tests/
│   └── test_api.py        # Pytest pour la route /predict
├── logs/                  # Dossier des logs générés par Loguru
├── model_v1.joblib        # Le pipeline exporté
├── pyproject.toml         # Dépendances gérées par uv
└── README.md              # Documentation complète

Exigences Techniques

• FastAPI : Une route /predict qui reçoit un JSON et renvoie la prédiction.
• Loguru : Chaque appel à l'API doit être loggué (Input, Output, Temps d'exécution).
• Documentation : Docstrings au format Google/NumPy pour chaque fonction dans model.py.
• Validation : Au moins 2 tests unitaires avec Pytest ainsi que la mise en place du framework pytest-cov. A minima, la route predict et le modèle.
• Monitoring : Capture d'écran ou fichier de log prouvant l'utilisation de MLflow ou TensorBoard durant l'entraînement.