Objectifs du Projet
Les objectifs principaux de ce projet étaient :
- Migration du Modèle d’Estimation de Prix : Migrer le modèle d’estimation de prix immobilier de Drimki d’AWS vers Azure.
- Mise en Œuvre de CI/CD MLOps : Créer un processus CI/CD MLOps pour automatiser le cycle de vie de l’apprentissage machine.
- Maintenance en Conditions Opérationnelles (MCO) : Assurer 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 gérer les 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 des données structurées.
- Azure Resource Manager (ARM) : Pour l’infrastructure as code (IaC).
- Azure DevOps : Comprenant les Repos, Pipelines et Boards pour le CI/CD.
- Azure Machine Learning : Pour le développement et le déploiement des modèles d’apprentissage machine.
- Azure Kubernetes Services (AKS) : Pour orchestrer les conteneurs.
- Azure Monitor : Pour la surveillance et les alertes, incluant Azure Insights et Azure Log Analytics Workspace.
Défis et Solutions
- Interopérabilité des Environnements : Assurer 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.
- Sécurisation des Données : La gestion sécurisée des données durant la migration et après le déploiement a été 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 l’implémentation de CI/CD MLOps peuvent transformer le cycle de vie de l’apprentissage machine et optimiser les opérations. En migrant le modèle d’estimation de prix immobilier de Drimki vers Azure et en automatisant les processus de CI/CD, nous avons réussi à 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 une continuité opérationnelle et en assurant une gestion efficace des modèles d’apprentissage machine. Cette étude de cas illustre comment une approche structurée et technologique peut faciliter la transition vers des infrastructures modernes et optimiser les processus opérationnels.