Optimisation d’un pipeline MLOps pour scalabilité cloud-native

Scénario

Contexte : Le volume de données augmente fortement et le pipeline actuel devient lent et coûteux. Le Problème : L’infrastructure n’est pas conçue pour scalabilité horizontale. Contraintes : Concevoir architecture scalable basée sur conteneurisation et orchestration. Séparer entraînement et inférence. Optimiser coûts cloud. Livrable attendu : Proposer une architecture cloud-native scalable et optimisée pour pipeline ML.

Compétences ciblées