Skip to content

DataScientest/ArgoCD_Course

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

2 Commits
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

ArgoCD_Course

Ce dépôt regroupe le support projet du module Progressive Delivery MLOps avec Argo sur Kubernetes.

Use case du module

Tout le projet repose sur un même fil rouge :

un service de scoring de fraude en temps réel.

Le service est volontairement simple, mais crédible dans un contexte MLOps.

Il expose trois endpoints :

  • POST /predict
  • GET /health
  • GET /metrics

Le module manipule trois versions :

  • v1 : version stable
  • v2 : nouvelle version candidate
  • v2-buggy : version volontairement dégradée

Objectif pédagogique

Le but n'est pas seulement de lire des explications sur Argo Rollouts.

Le but est de :

  • suivre un projet concret
  • appliquer les notions au fur et à mesure
  • observer ce que font vraiment les stratégies de déploiement progressif

Prérequis

Avant de commencer, assurez-vous d'avoir installé les outils suivants sur votre machine :

  • git
  • uv
  • docker
  • kind
  • kubectl
  • make

Pour la suite du module, vous utiliserez aussi :

  • le plugin kubectl argo rollouts

Pourquoi ces outils sont nécessaires :

  • git pour récupérer le dépôt du projet
  • uv pour gérer l'environnement Python et les dépendances
  • docker pour construire et exécuter les images
  • kind pour créer un cluster Kubernetes local
  • kubectl pour interagir avec le cluster
  • make pour lancer plus facilement les commandes du projet

Structure du dépôt

ArgoCD_Course/
├── README.md
├── Makefile
├── service/
├── scripts/
└── k8s/

Bonnes pratiques retenues

Le projet introduit déjà quelques habitudes utiles :

  • utilisation d'un fichier .env
  • présence d'un Makefile
  • présence de tests locaux du service
  • séparation claire entre service, scripts et manifests Kubernetes

Premiers pas

1. Installer les dépendances du service

make install

2. Préparer le .env

cp service/.env.example service/.env

Valeur de départ recommandée :

MODEL_VERSION=v1

3. Lancer les tests du service

make test

4. Lancer le service localement

make run

5. Préparer le cluster local

make kind-create

Commandes utiles

  • make install
  • make run
  • make status
  • make test
  • make build-image
  • make kind-create
  • make kind-delete
  • make apply-namespace
  • make apply-services

About

No description, website, or topics provided.

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

 
 
 

Contributors