Software Engineering pour Data & IA — qualité, packaging, CI/CD et livraison fiable

Structure de projet Python data/IA réutilisable

Définir une arborescence claire pour code, tests, configuration, données, modèles et docs.

Git professionnel : branches, commits, revue et historique

Utiliser Git pour protéger le travail, documenter les changements et faciliter la collaboration.

Environnements, dépendances et pyproject.toml

Déclarer environnements et dépendances de façon reproductible et installable.

Configuration, secrets et logging dès le départ

Séparer paramètres, secrets et logs pour éviter les projets fragiles ou dangereux.

Fonctions pures, modularité et typing

Transformer du code linéaire en fonctions testables, typées et réutilisables.

Tests unitaires pytest, fixtures et cas limites

Écrire des tests ciblés avec fixtures, assertions, cas nominaux et cas limites.

Tests de données : schémas, contrats et invariants

Définir des contrôles sur colonnes, types, valeurs, cardinalités et règles métier.

Linting, formatting, pre-commit et revue de code

Installer une boucle qualité avant commit et rendre la revue plus objective.

Debugging, refactoring et dette technique

Diagnostiquer une erreur, réduire la dette et refactorer sans casser le comportement.

CLI et scripts relançables

Créer des scripts paramétrables, idempotents et relançables hors notebook.

Orchestration de pipelines et dépendances d’étapes

Définir les étapes, dépendances, entrées, sorties et critères de reprise d’un pipeline.

Versioning des données, modèles et artefacts

Tracer données, modèles, fichiers lourds, métriques et provenance sans polluer Git.

Tracking d’expériences et sélection de modèle

Comparer des runs avec paramètres, métriques, artefacts, limites et décision documentée.

Documentation technique, runbooks et reproductibilité

Écrire une documentation qui permet d’installer, relancer, diagnostiquer et transmettre le projet.

Packaging Python installable et entry points

Créer un package Python avec métadonnées, dépendances et commande exécutable.

API FastAPI : contrats, validation et erreurs

Exposer un traitement ou modèle avec validation d’entrée, réponse structurée et erreurs explicites.

Dockerfile et conteneur reproductible

Préparer une image sobre, reproductible, testable et adaptée au contexte de livraison.

CI GitHub Actions : tests, lint et artefacts

Automatiser la vérification du projet à chaque changement avec workflow lisible.

Release, registry, rollback et version sémantique

Livrer une version contrôlée avec artefact, changelog, promotion et retour arrière.

Monitoring applicatif, data drift et model drift

Définir métriques, seuils, alertes et analyses pour surveiller app, données et modèle.

Sécurité logicielle, secrets et supply chain

Réduire les risques liés aux secrets, dépendances, permissions, vulnérabilités et artefacts.

Collaboration, issues, PR et ADR

Structurer décisions, tickets, revues et documentation pour travailler en équipe.

Performance, coûts et fiabilité opérationnelle

Évaluer latence, coût, ressources, disponibilité et compromis de fiabilité.

Projet final : dépôt data/IA production-ready

Assembler architecture, tests, pipeline, API/CLI, CI, monitoring, sécurité et dossier portfolio.