🧠 API Predict

Mini API FastAPI servant de base qui illustre comment transformer un modèle Python simple en service web conteneurisé.

---

🚀 Fonctionnement

Le service expose deux endpoints :

• GET /health → vérifie que l’API est opérationnelle ({"status": "ok"})
• POST /predict → renvoie une prédiction simple à partir d’un input x (y = 2x + 1)

---

🧩 Exécution en local

1. Installer les dépendances

pip install -r requirements.txt

2. Lancer l’API

uvicorn app.main:app --reload

3. Tester

• http://127.0.0.1:8000/docs → interface Swagger
• Exemple requête :

curl -X POST http://127.0.0.1:8000/predict -H "Content-Type: application/json" -d '{"x": 3}'

Résultat attendu :

{"prediction": 7}

---

🐳 Exécution avec Docker

1. Construire l’image

docker build -t api_predict .

2. Lancer le conteneur

docker run -p 8000:8000 api_predict

3. Vérifier le fonctionnement

curl http://127.0.0.1:8000/health

---

📦 Structure du projet

api_predict/
├─ app/
│  ├─ __init__.py
│  └─ main.py
├─ requirements.txt
├─ Dockerfile
└─ README.md

---

Qualité du code

Ce projet utilise :

• Ruff pour le linting (ruff check .)
• Black pour le formatage (black .)

🚀 CI/CD

Le projet utilise GitHub Actions pour :

• ✅ Vérification de la qualité du code (Ruff + Black)
• ✅ Exécution des tests unitaires (pytest)
• ✅ Construction de l'image Docker (ARM64)

Le workflow se déclenche automatiquement sur chaque push et pull request.

---

Tracking et monitoring avec MLflow

Le projet utilise MLflow pour suivre les paramètres et résultats de chaque prédiction.
Chaque requête sur /predict crée un run MLflow, enregistrant :

• les paramètres (coef, bias, x)
• les métriques (output_y)
• les horodatages d’exécution

Pour visualiser les runs :

mlflow ui

Puis ouvre http://127.0.0.1:5000

---

Interface Streamlit (Dashboad local)

Une interface Streamlit est disponible pour afficher les runs MLflow sans lancer l'UI par défaut :

streamlit run app/mlflow_ui.py

Elle affiche :

• la liste des expériences MLflow
• les paramètres eet métriques loggés
• une visualisation dynamique des prédictions

---

Prochaine étape

Mettre en place la détection de data drift et la validation du modèle avec Evidently pour :

• comparer les distributions entre jeux de données d’entraînement et de production
• générer un rapport HTML automatisé dans /reports/
• suivre la dérive des données dans le temps