Abstract:
Cette recherche a été menée en mettant l'accent sur les possibilités de mettre en
production des modéles d'apprentissage automatique, Nous avons tout d'abord commencé
par la mise en oeuvre de docker, une technologie de conteneurisation conçue pour exécuter
un service ou une application unique de maniére redondantes, ainsi que Kubernetes conçu
à l'origine pour orchestrer des applications de microservices à grande échelle.
Nous avons ensuite testé le déploiement local avec un seul noud `a l'aide de l'outil
Minikube, ce qui nous a permis de tester les images ofcielles extraites du registre central
de Docker appelé Docker Hub ainsi que les microservices de notre système. Cependant,
nous avons rencontré de nombreux problèmes que nous avons pu traiter par la suite comme
: Dockershim, Imagepullbackof, Installation...
Ensuite, il y a le déploiement cloud que nous avons efectué sur les plates-formes cloud
dominantes : AWS et Azure, Nous avons ainsi découvert les conditions de fonctionnement
et de production de diférents services dans le cloud.Le résultat parvenue de ce travail est
la mise en place de kubefow, une solution con¸cue pour développer des applications de
machine learning et déployer sur Kubernetes.
Toutes les étapes franchies au cours de ce travail nous a permis de découvrir et
de développer des concepts liés aux technologies les plus courantes, d'essayer certaines
possibilités, de déboguer certains problèmes, Et pour fnalement arriver `a une solution
qui n'est peut-étre que le début d'un autre probléme qui peut continuer `a améliorer le
développement de notre travail.
