GYCLOUDATA
Objectifs du projet
Les principaux objectifs de ce projet étaient :
- Migration du modèle d'estimation de prix : Migrer le modèle d'estimation de prix immobiliers de Drimki d'AWS vers Azure.
- Mise en œuvre du CI/CD MLOps : Créer un processus CI/CD MLOps pour automatiser le cycle de vie du machine learning.
- Maintien en conditions opérationnelles (MCO) : Garantir la maintenance et la surveillance de la plateforme Azure pour Digitre.
Plateforme et technologies utilisées
La migration et l'automatisation ont été réalisées en utilisant la plateforme Azure. Les technologies et services suivants ont été essentiels à notre solution :
- Azure Container Instance (ACI) : Pour les environnements de développement et de QA.
- Azure Container Registry (ACR) : Pour la gestion des images de conteneurs.
- Azure Key Vault : Pour la gestion sécurisée des secrets et des clés.
- Gravitee APIM : Pour la gestion des API.
- Azure Private DNS : Pour la résolution DNS privée.
- Azure SQL Databases : Pour le stockage de données structurées.
- Azure Resource Manager (ARM) : Pour l'infrastructure as code (IaC).
- Azure DevOps : Incluant Rest, Pipelines et Boards pour le CI/CD.
- Azure Machine Learning : Pour le développement et le déploiement des modèles de machine learning.
- Azure Kubernetes Services (AKS) : Pour l'orchestration des conteneurs.
- Azure Monitor : Pour la surveillance et les alertes, incluant Azure Insights et Azure Log Analytics Workspace.
Défis et solutions
- Interopérabilité des environnements : Garantir la compatibilité entre les environnements AWS et Azure a nécessité une planification minutieuse et des tests rigoureux. Des outils de migration et des scripts personnalisés ont été utilisés pour automatiser et vérifier la migration.
- Sécurité des données : La gestion sécurisée des données pendant la migration et après le déploiement a constitué un défi majeur. Azure Key Vault et des politiques de sécurité strictes ont été mis en œuvre pour protéger les données sensibles.
Conclusion
Ce projet a démontré comment une migration bien planifiée et la mise en œuvre du CI/CD MLOps peuvent transformer le cycle de vie du machine learning et optimiser les opérations. En migrant le modèle d'estimation de prix immobiliers de Drimki vers Azure et en automatisant les processus CI/CD, nous avons pu améliorer l'efficacité, la sécurité et la scalabilité de la plateforme.
La mise en œuvre de cette solution a permis à l'entreprise de bénéficier des avantages du cloud Azure, tout en maintenant la continuité opérationnelle et en garantissant une gestion efficace des modèles de machine learning. Cette étude de cas illustre comment une approche structurée et technologique peut faciliter la transition vers des infrastructures modernes et optimiser les processus opérationnels.