Built site for gh-pages

.nojekyll

@@ -1 +1 @@
-7f956307
+ffa908db

search.json

@@ -228,7 +228,21 @@
     "href": "slides/fr/index.html#application-3",
     "title": "Une introduction au MLOps avec MLflow",
     "section": "Application 3",
-    "text": "Application 3\n\n\n\nExposer localement un modèle de ML en tant qu’API\n\n\n\n\nNous avons construit une API REST très simpliste à l’aide de FastAPI. Tous les fichiers sous-jacents se trouvent dans le dossier app. Consultez-les.\nDéployez l’API localement en lançant les commandes suivantes dans un terminal :\n\nexport MLFLOW_EXPERIMENT_NAME=\"nace-prediction\"\nexport MLFLOW_MODEL_VERSION=1\nuvicorn app.main:app\n\nOuvrez la page de l’API à l’aide du bouton proposé par VSCode.\nAffichez la documentation de votre API en ajoutant /docs à votre URL.\nTestez votre API !\n\n\n\n\n\n\n\n\nDéploiement manuel d’un modèle de ML en tant qu’API\n\n\n\n\nOuvrez le Dockerfile pour voir comment l’image est construite. L’image est automatiquement reconstruite et publiée via Github Actions, si vous êtes intéressé, jetez un coup d’œil à .github/workflows/build_image.yml. Dans le cadre de cette formation, nous allons tous utiliser cette même image.\nOuvrez le fichier kubernetes/deployment.yml et modifiez les lignes surlignées comme suit :\n\n\n\ndeployment.yml\n\ncontainers:\n- name: api\n    image: inseefrlab/formation-mlops-api:main\n    imagePullPolicy: Always\n    env:\n    - name: MLFLOW_TRACKING_URI\n        value: https://user-<namespace>-<pod_id>.user.lab.sspcloud.fr\n    - name: MLFLOW_MODEL_NAME\n        value: fasttext\n    - name: MLFLOW_MODEL_VERSION\n        value: \"1\"\n\n\nOuvrez le fichier kubernetes/ingress.yml et modifiez (deux fois) l’URL du point de terminaison de l’API pour qu’elle soit de la forme <votre_prénom>-<votre_nom>-api.lab.sspcloud.fr.\nAppliquez les trois contrats Kubernetes contenus dans le dossier kubernetes/ dans un terminal pour déployer l’API\n\nkubectl apply -f formation-mlops/kubernetes/\n\nAccédez à votre API en utilisant l’URL définie dans votre fichier ingress.yml.\nRéentrainez un nouveau modèle et déployez ce nouveau modèle dans votre API\n\n\n\nCliquez pour voir les étapes \n\n\nEntrainez un modèle.\nEnregistrez le modèle dans MLflow.\nAjustez votre variable d’environnement MLFLOW_MODEL_NAME ou MLFLOW_MODEL_VERSION (si vous n’avez pas modifié le nom du modèle) dans le fichier deployment.yml.\nAppliquez les nouveaux contrats Kubernetes pour mettre à jour l’API\n\nkubectl apply -f formation-mlops/kubernetes/\n\nRafraîchissez votre API et vérifiez sur la page d’accueil qu’elle est désormais basée sur la nouvelle version du modèle.\n\n\n\n\n\n\n\n\n\nDéploiement continu d’un modèle de ML en tant qu’API\n\n\n\n⚠️ Les précédentes applications doivent avoir été réalisées avec l’option Git pour pouvoir suivre celle-ci.\nPrécedement, vous avez déployé votre modèle manuellement. Grâce à ArgoCD il est possible de déployer un modèle de manière continu, ainsi chaque modification d’un fichier présent dans le dossier kubernetes/ va entrainer le redéploiement automatique en se synchronisation avec votre dépôt Github. Pour vous en convaincre, suivez les étapes ci dessous :\n\nLancez un service ArgoCD en cliquant sur cette URL. Ouvrez le service, saisissez l’identifiant (admin) et le mot de passe du service.\nReprenez les 4 premières étapes du déploiement manuel.\nFaite un commit des changements effectués et pousser vers votre dépôt Github.\nOuvrez le template argocd/template-argocd.yml et modifiez les lignes surlignées :\n\n\n\ntemplate-argocd.yml\n\nspec:\n  project: default\n  source:\n    repoURL: https://github.com/<your-github-id>/formation-mlops.git\n    targetRevision: HEAD\n    path: kubernetes\n  destination:\n    server: https://kubernetes.default.svc\n    namespace: <your-namespace>\n\n\nDans ArgoCD, cliquez sur New App puis Edit as a YAML. Copiez-collez le contenu de argocd/template-argocd.yml et cliquez sur Create.\nAccédez à votre API en utilisant l’URL définie dans votre fichier ingress.yml.\nAffichez la documentation de votre API en ajoutant /docs à votre URL.\nTestez votre API !\nRéentrainez un nouveau modèle et déployez automatiquement ce nouveau modèle dans votre API\n\n\n\nCliquez pour voir les étapes \n\n\nEntrainez un modèle.\nEnregistrez le modèle dans MLflow.\nAjustez votre variable d’environnement MLFLOW_MODEL_NAME ou MLFLOW_MODEL_VERSION (si vous n’avez pas modifié le nom du modèle) dans le fichier deployment.yml.\nFaite un commit de ces changements et poussez les sur votre dépôt Github.\nPatientez 5 minutes qu’ArgoCD synchronise automatiquement les changements depuis votre dépôt Github ou bien forcez la synchronisation. Rafraîchissez votre API et vérifiez sur la page d’accueil qu’elle est désormais basée sur la nouvelle version du modèle."
+    "text": "Application 3\n\n\n\nExposer localement un modèle de ML en tant qu’API\n\n\n\n\nNous avons construit une API REST très simpliste à l’aide de FastAPI. Tous les fichiers sous-jacents se trouvent dans le dossier app. Consultez-les.\nDéployez l’API localement en lançant les commandes suivantes dans un terminal :\n\nexport MLFLOW_EXPERIMENT_NAME=\"nace-prediction\"\nexport MLFLOW_MODEL_VERSION=1\nuvicorn app.main:app\n\nOuvrez la page de l’API à l’aide du bouton proposé par VSCode.\nAffichez la documentation de votre API en ajoutant /docs à votre URL.\nTestez votre API !"
+  },
+  {
+    "objectID": "slides/fr/index.html#application-3-1",
+    "href": "slides/fr/index.html#application-3-1",
+    "title": "Une introduction au MLOps avec MLflow",
+    "section": "Application 3",
+    "text": "Application 3\n\n\n\nDéploiement manuel d’un modèle de ML en tant qu’API\n\n\n\n\nOuvrez le Dockerfile pour voir comment l’image est construite. L’image est automatiquement reconstruite et publiée via Github Actions, si vous êtes intéressé, jetez un coup d’œil à .github/workflows/build_image.yml. Dans le cadre de cette formation, nous allons tous utiliser cette même image.\nOuvrez le fichier kubernetes/deployment.yml et modifiez les lignes surlignées comme suit :\n\n\n\ndeployment.yml\n\ncontainers:\n- name: api\n    image: inseefrlab/formation-mlops-api:main\n    imagePullPolicy: Always\n    env:\n    - name: MLFLOW_TRACKING_URI\n        value: https://user-<namespace>-<pod_id>.user.lab.sspcloud.fr\n    - name: MLFLOW_MODEL_NAME\n        value: fasttext\n    - name: MLFLOW_MODEL_VERSION\n        value: \"1\"\n\n\nOuvrez le fichier kubernetes/ingress.yml et modifiez (deux fois) l’URL du point de terminaison de l’API pour qu’elle soit de la forme <votre_prénom>-<votre_nom>-api.lab.sspcloud.fr.\nAppliquez les trois contrats Kubernetes contenus dans le dossier kubernetes/ dans un terminal pour déployer l’API\n\nkubectl apply -f formation-mlops/kubernetes/\n\nAccédez à votre API en utilisant l’URL définie dans votre fichier ingress.yml.\nRéentrainez un nouveau modèle et déployez ce nouveau modèle dans votre API\n\n\n\nCliquez pour voir les étapes \n\n\nEntrainez un modèle.\nEnregistrez le modèle dans MLflow.\nAjustez votre variable d’environnement MLFLOW_MODEL_NAME ou MLFLOW_MODEL_VERSION (si vous n’avez pas modifié le nom du modèle) dans le fichier deployment.yml.\nAppliquez les nouveaux contrats Kubernetes pour mettre à jour l’API\n\nkubectl apply -f formation-mlops/kubernetes/\n\nRafraîchissez votre API et vérifiez sur la page d’accueil qu’elle est désormais basée sur la nouvelle version du modèle."
+  },
+  {
+    "objectID": "slides/fr/index.html#application-3-2",
+    "href": "slides/fr/index.html#application-3-2",
+    "title": "Une introduction au MLOps avec MLflow",
+    "section": "Application 3",
+    "text": "Application 3\n\n\n\nDéploiement continu d’un modèle de ML en tant qu’API\n\n\n\n⚠️ Les précédentes applications doivent avoir été réalisées avec l’option Git pour pouvoir suivre celle-ci.\nPrécedement, vous avez déployé votre modèle manuellement. Grâce à ArgoCD il est possible de déployer un modèle de manière continu, ainsi chaque modification d’un fichier présent dans le dossier kubernetes/ va entrainer le redéploiement automatique en se synchronisation avec votre dépôt Github. Pour vous en convaincre, suivez les étapes ci dessous :\n\nLancez un service ArgoCD en cliquant sur cette URL. Ouvrez le service, saisissez l’identifiant (admin) et le mot de passe du service.\nReprenez les 4 premières étapes du déploiement manuel.\nFaite un commit des changements effectués et pousser vers votre dépôt Github.\nOuvrez le template argocd/template-argocd.yml et modifiez les lignes surlignées :\n\n\n\ntemplate-argocd.yml\n\nspec:\n  project: default\n  source:\n    repoURL: https://github.com/<your-github-id>/formation-mlops.git\n    targetRevision: HEAD\n    path: kubernetes\n  destination:\n    server: https://kubernetes.default.svc\n    namespace: <your-namespace>\n\n\nDans ArgoCD, cliquez sur New App puis Edit as a YAML. Copiez-collez le contenu de argocd/template-argocd.yml et cliquez sur Create.\nAccédez à votre API en utilisant l’URL définie dans votre fichier ingress.yml.\nAffichez la documentation de votre API en ajoutant /docs à votre URL.\nTestez votre API !\nRéentrainez un nouveau modèle et déployez automatiquement ce nouveau modèle dans votre API\n\n\n\nCliquez pour voir les étapes \n\n\nEntrainez un modèle.\nEnregistrez le modèle dans MLflow.\nAjustez votre variable d’environnement MLFLOW_MODEL_NAME ou MLFLOW_MODEL_VERSION (si vous n’avez pas modifié le nom du modèle) dans le fichier deployment.yml.\nFaite un commit de ces changements et poussez les sur votre dépôt Github.\nPatientez 5 minutes qu’ArgoCD synchronise automatiquement les changements depuis votre dépôt Github ou bien forcez la synchronisation. Rafraîchissez votre API et vérifiez sur la page d’accueil qu’elle est désormais basée sur la nouvelle version du modèle."
   },
   {
     "objectID": "slides/fr/index.html#entraînement-distribué",

sitemap.xml

@@ -2,10 +2,10 @@
 <urlset xmlns="http://www.sitemaps.org/schemas/sitemap/0.9">
   <url>
     <loc>https://github.com/InseeFrLab/formation-mlops/slides/fr/index.html</loc>
-    <lastmod>2023-12-14T14:59:32.086Z</lastmod>
+    <lastmod>2023-12-14T15:03:38.369Z</lastmod>
   </url>
   <url>
     <loc>https://github.com/InseeFrLab/formation-mlops/slides/en/index.html</loc>
-    <lastmod>2023-12-14T14:59:23.594Z</lastmod>
+    <lastmod>2023-12-14T15:03:29.801Z</lastmod>
   </url>
 </urlset>

slides/fr/index.html

@@ -1057,6 +1057,9 @@ <h2>Application 3</h2>
 </div>
 </div>
 </div>
+</section>
+<section id="application-3-1" class="slide level2 scrollable" data-background-image="background.svg" data-background-size="contain">
+<h2>Application 3</h2>
 <div class="callout callout-tip no-icon callout-titled callout-style-default">
 <div class="callout-body">
 <div class="callout-title">
@@ -1112,6 +1115,9 @@ <h2>Application 3</h2>
 </div>
 </div>
 </div>
+</section>
+<section id="application-3-2" class="slide level2 scrollable" data-background-image="background.svg" data-background-size="contain">
+<h2>Application 3</h2>
 <div class="callout callout-tip no-icon callout-titled callout-style-default">
 <div class="callout-body">
 <div class="callout-title">