Si un outil de data science ne se trouve que sur votre ordinateur portable, sa valeur est limitée à votre temps et à votre capacité à expliquer ses résultats. Un outil déployé permet à vos partenaires commerciaux, clients et collègues d'utiliser directement ses prédictions et recommandations, sans que vous ayez besoin d'être au milieu.
Cette série en plusieurs parties retrace le chemin qui mène du code source sur un ordinateur portable jusqu'au déploiement complet en CI/CD d'un outil d'optimisation. Ce premier article s'attaque au problème classique « ça marche sur mon ordinateur, mais pas sur le tien ». Il couvre le clonage de code depuis GitHub, les environnements virtuels Python, Docker et la conteneurisation, et présente l'outil d'exemple à déployer.
L'exemple est le Cutting Stock Planner, qui résout le problème de découpe de stock. Grâce à la programmation linéaire et à une interface simple basée sur FastAPI, il produit un plan de découpe optimal qui minimise le nombre de pièces de stock à acheter. Par exemple, si vous voulez fabriquer une chaise à partir de stock de 8 pieds avec plusieurs longueurs de coupe requises, vous saisissez la longueur du stock et la liste des coupes, cliquez sur Create Cut Plan, et obtenez à l'écran une disposition de coupe optimale.
La façon la plus simple de partager l'outil consiste à distribuer son code via le contrôle de version sur GitHub. Les utilisateurs peuvent cloner le dépôt, se rendre dans son répertoire de base et exécuter une commande uvicorn pour lancer l'interface en local. Cela fonctionne bien pour le développement collaboratif, mais comme méthode de déploiement, cela présente des inconvénients importants. La plus grande part de la responsabilité et de la difficulté du déploiement incombe à l'utilisateur, qui doit installer Git, cloner le dépôt et configurer correctement l'environnement avant que l'outil ne fonctionne.
Source: Towards Data Science · Résumé par HeadlinesBriefing