Vous allez créer un service d'inférence RESTful et l'intégrer dans un pipeline CI/CD.

Vous évaluerez les indicateurs de performance d'un service déployé par rapport aux objectifs fixés dans le SLA.

Vous appliquerez les principes de conception des microservices pour intégrer un service d'inférence d'apprentissage automatique dans une architecture système.

Vous analyserez les modèles de communication entre les services afin de mettre en place une messagerie asynchrone pour assurer l'évolutivité du système.

Vous évaluerez l'observabilité du système à l'aide des journaux, des métriques et du traçage distribué afin de garantir son bon fonctionnement et ses performances.

Vous mettrez en œuvre des techniques de test logiciel afin d'identifier les défauts dans le code d'apprentissage automatique.

Vous analyserez les traces de pile et les journaux afin d'identifier la cause première des défaillances du système.

Vous évaluerez les mesures correctives mises en place afin de vérifier que les défauts ont bien été résolus.

Dans le cadre de ce projet, vous allez concevoir et mettre en œuvre un système de microservices de machine learning conteneurisé qui fournit des prédictions de modèles via une API d’inférence évolutive. Une plateforme de services financiers utilise un modèle de machine learning pour estimer le risque de crédit lié aux demandes de prêt, et l’équipe d’ingénierie doit le déployer sous la forme d’un service de production fiable, capable de traiter des milliers de requêtes par heure. Votre mission consiste à mettre en place une architecture simplifiée de microservices d’inférence d’apprentissage automatique comprenant une API d’inférence basée sur Python, la conteneurisation avec Docker, une configuration de déploiement Kubernetes, un service d’inférence RESTful intégré à un pipeline CI/CD, des modèles de communication inter-services pour la messagerie asynchrone, l’observabilité via des journaux structurés, des métriques et le traçage distribué, la surveillance des performances à l’aide de métriques au niveau des services, l’analyse de débogage des défaillances d’exécution simulées, ainsi qu’une stratégie de tests de régression. Le livrable final consiste en un script de microservice d’inférence modulaire et une configuration de déploiement, accompagnés d’une explication technique structurée décrivant les choix en matière de déploiement, de communication, d’observabilité et de débogage.