Mission client · anonymisée
Une plateforme de déploiement ML reproductible pour un cabinet de services professionnels français
Ingénierie de plateforme IA pour un cabinet français : Kubernetes, Terraform et CI/CD sur GCP ont fait passer les déploiements de jours à minutes.
- Secteur
- Services professionnels
- Région
- France
- Périmètre
- Ingénierie de plateformes IA
Mission client — le client est anonymisé à sa demande ; les chiffres sont ceux mesurés pendant la mission.
Défi
Un cabinet français de services professionnels de 10 à 50 personnes avait développé plusieurs prototypes d'IA prometteurs, sans moyen reproductible de les mettre en production. Les modèles étaient déployés à la main, sans chaîne CI/CD, et chaque environnement était configuré différemment : chaque mise en production prenait plusieurs jours et risquait de se comporter autrement qu'en test.
Solution
L'approche : une seule plateforme IA sur Google Cloud, avec des charges ML toutes conteneurisées, des environnements décrits en code et des livraisons qui passent toutes par la même chaîne automatisée. Au lieu d'un déploiement sur mesure par prototype, chaque modèle suit désormais un chemin unique et standard, du commit à la production.
Démarche
- 1
Nous avons conçu l'architecture cloud sur GCP autour des charges du cabinet, de ses exigences de sécurité et des prototypes à mettre en production.
- 2
Nous avons conteneurisé les charges ML avec Docker, pour que chaque modèle tourne de la même façon sur un poste, en test et en production.
- 3
Nous avons construit des chaînes CI/CD automatisées dans GitHub Actions pour tester, empaqueter et livrer chaque changement.
- 4
Nous avons décrit l'infrastructure en code avec Terraform, pour que chaque environnement puisse être relu, reconstruit et maintenu cohérent.
- 5
Nous avons mis en place un flux de déploiement en production sur Kubernetes, avec un chemin clair pour promouvoir, revenir en arrière et ajouter de nouveaux modèles.
Questions fréquentes
Pourquoi conteneuriser les charges ML ?
Un conteneur embarque le modèle avec tout ce dont il a besoin : il se comporte de la même façon en développement, en test et en production. Cela supprime les échecs du type « ça marchait sur mon poste » qui ralentissent tant de livraisons.
Que change l'infrastructure décrite en code au quotidien ?
Les environnements sont décrits en Terraform et relus comme du code : un changement est visible avant d'être appliqué, et tout environnement peut être reconstruit à l'identique.
Les nouveaux modèles peuvent-ils utiliser la plateforme sans travail supplémentaire ?
Oui. La chaîne et le flux de déploiement sont communs : un nouveau modèle part du même modèle de projet et suit le même chemin de livraison.