togo-datalab/TAISS-MLOps-Bootcamp

Togo AI Summer School 2026 (School of MLOps) # Ciblage des pertes post-récolte, de l'entraînement à la production Projet fil rouge de la **Togo AI Summer School 2026**. Filière F1 pour la partie modélisation, filière F3 pour la mise en production. Une ONG suit 2 400 exploitations agricoles au Togo. Chaque campagne, une partie subit des pertes post-récolte supérieures à 20 %. Le budget permet d'accompagner 150 exploitations. Lesquelles ? --- ## Ce que ce dépôt démontre Un logiciel classique casse bruyamment : une exception est levée, un test échoue, quelqu'un est réveillé. **Un modèle se dégrade silencieusement.** Il continue de répondre 200 OK, avec des probabilités parfaitement bien formées, dans un temps de réponse normal. Et il se trompe. Tout ce dépôt sert à répondre à une seule question : comment rendre bruyante une dégradation silencieuse ? Trois réponses, une par cause de dégradation. | Ce qui change | Ce qui le détecte | Où | |---|---|---| | Le code | gate de performance en CI | `tests/test_performance.py` | | Les données | surveillance des entrées | `src/monitoring.py`, `GET /monitoring` | | Le monde | décision de réentraînement | `docs/SESSION_MLOPS.md` | --- ## Démarrage ```bash pip install -r requirements-dev.txt make entrainer # produit models/ make ci # rejoue toute la chaîne de vérification make api # démarre le service sur le port 8500 ``` Puis ouvrir `localhost` pour l'interface, ou `/docs` pour la documentation interactive de l'API. `make` sans argument affiche toutes les cibles disponibles. --- ## Le modèle Régression logistique sur 11 variables, seuil de décision fixé par le budget. | Quantité | Valeur | |---|---| | Exploitations | 2 400, dont 14,1 % à risque | | Baseline (classe majoritaire) | 0,860 d'accuracy | | Modèle | 0,868 d'accuracy, AUC 0,803 | | Seuil optimal (coût) | 0,075, coût 322 | | Seuil retenu (budget de 150) | 0,195, 151 exploitations, rappel 0,595 | Le seuil de 0,868 contre 0,860 n'est pas une erreur d …