Programme / avancement

- [x] Intro

- [x] 1er chapitre : Cas simple MLFlow (scikit learn auto log)

- [x] 2eme chapitre : Cas métier sur APE (class custom)
- [x] Contextualisation / Problématique
- [x] Présentation data
- [x] Class custom / différence autolog

- [x] 3eme chapitre :
- [x] Déploiement local puis FastAPI
- [x] Déploiement Kubernetes (manuel)
- [ ] Déploiement Kubernetes automatisé (ArgoCD) @ThomasFaria

- [x] 4eme chapitre : Entrainement/optimisation distribué (argo workflow)

- [ ] 5eme chapitre : ML en production
- [x] Quelle organisation ?
- [ ] Monitoring / observability : quelles métriques ?
- [ ] Métier : training-prod skew, data drift, model drift
- [x] (Software : logging API, resources use, latence, ...)
- [x] Construire la chaîne de traitement des logs
- [x] Implémenter le logging pertinent dans le code applicatif (métriques métiers..) @ThomasFaria
- [x] Envoyer les logs sur S3 @avouacr
- [x] ETL pour construire des parquets partitionnés par date @avouacr
- [x] Dashboard avec Superset/Redash @tomseimandi

- [ ] Aller plus loin
- [ ] Réentraînements