projet-cpr — Prédiction de churn et recommandation d'offre

Pipeline ML multi-services déployé sur Kubernetes (Minikube).
Cas 3 du TP : opérateur télécom — identification des clients à risque de résiliation.

---

Déploiement

# 1. Démarrer Minikube avec les contraintes imposées par le TP
minikube start --cpus=4 --memory=6144 --driver=docker

# 2. Créer le namespace
kubectl create namespace projet-cpr

# 3. Déployer l'intégralité du système en une commande
kubectl apply -f k8s/ -n projet-cpr

# 4. Vérifier que les 3 pods sont en Running
kubectl get all -n projet-cpr

---

Accès aux services (port-forward)

Sur Windows avec Docker driver, utiliser kubectl port-forward :

# Terminal 1 — service d'inférence (script de charge + curl)
kubectl port-forward svc/inference-svc 8000:8000 -n projet-cpr

# Terminal 2 — service de monitoring (métriques)
kubectl port-forward svc/monitoring-svc 8002:8002 -n projet-cpr

---

Lancer le script de charge

# Test nominal — 10 req/min, 5 min
python scripts/load_test.py --case churn --level nominal --url http://localhost:8000/predict

# Test charge — 50 req/min, 5 min
python scripts/load_test.py --case churn --level charge --url http://localhost:8000/predict

# Test stress — 150 req/min, 5 min
python scripts/load_test.py --case churn --level stress --url http://localhost:8000/predict

Consulter les métriques du monitoring pendant les tests :

curl http://localhost:8002/metrics

---

Tester une requête en direct

curl -X POST http://localhost:8000/predict \
  -H "Content-Type: application/json" \
  -d '{"gender":"Male","SeniorCitizen":0,"Partner":"Yes","Dependents":"No",
       "tenure":5,"Contract":"Month-to-month","PaperlessBilling":"Yes",
       "PaymentMethod":"Electronic check","PhoneService":"Yes",
       "MultipleLines":"No","InternetService":"Fiber optic",
       "OnlineSecurity":"No","OnlineBackup":"No","DeviceProtection":"No",
       "TechSupport":"No","StreamingTV":"No","StreamingMovies":"No",
       "MonthlyCharges":85.0,"TotalCharges":425.0}'

Réponse attendue :

{"churn_probability": 0.793, "recommended_offer": "remise_tarifaire"}

---

Structure du projet

projet-cpr/
├── .github/workflows/ci.yml     # Pipeline CI/CD GitHub Actions
├── scripts/load_test.py         # Script de charge (fourni par l'enseignant)
├── data/                        # Datasets (non versionnés dans .gitignore)
├── models/                      # Artefacts entraînés (.pkl + config.json)
│   └── README.md                # Fiche de validation des modèles
├── services/
│   ├── preprocessing/           # Feature engineering (port 8001)
│   ├── inference/               # Inférence ML (port 8000)
│   └── monitoring/              # Métriques (port 8002)
├── tests/                       # Tests unitaires — couverture 90%
├── k8s/                         # Manifests Kubernetes
│   ├── quota.yaml               # ResourceQuota namespace
│   ├── limitrange.yaml          # LimitRange par conteneur
│   ├── preprocessing.yaml       # Deployment + Service ClusterIP
│   ├── inference.yaml           # Deployment + Service NodePort
│   └── monitoring.yaml          # Deployment + Service ClusterIP
├── docker-compose.yml           # Déploiement local (dev)
├── train_models.py              # Script d'entraînement des modèles
├── ADR.md                       # Architecture Decision Record
└── README.md

---

Services et ressources

Service	Port	CPU request	Mémoire request	CPU limit	Mémoire limit	Type Service
preprocessing	8001	100m	128Mi	200m	256Mi	ClusterIP
inference	8000	300m	400Mi	900m	512Mi	NodePort
monitoring	8002	50m	64Mi	100m	128Mi	ClusterIP
TOTAL		450m	592Mi	1200m	896Mi
QUOTA		2500m	1536Mi	2500m	1536Mi

---

Mesures kubectl top pods (sous charge stress — 150 req/min)

Relevé pendant le challenge de charge séance 4 :

NAME                             CPU(cores)   MEMORY(bytes)
inference-99685488f-x4vsz        74m          383Mi
monitoring-5b874cc5f4-dn2bh      5m           38Mi
preprocessing-5c687f6b68-zksx2   5m           38Mi

Les valeurs de requests sont fixées à 70-120% du pic observé, conformément à la règle du cours.

---

Entraînement des modèles

L'entraînement se fait hors Minikube (en local ou sur Google Colab) :

pip install pandas scikit-learn xgboost joblib numpy
python train_models.py

Les artefacts générés (churn_pipeline.pkl, offer_pipeline.pkl, config.json) sont versionnés dans models/.

---

CI/CD

Le pipeline GitHub Actions se déclenche à chaque push sur main :

1. Job test : lance pytest avec couverture ≥ 80% (couverture obtenue : 90%)
2. Job build : construit et pousse les 3 images sur Docker Hub si les tests passent

Images disponibles sur Docker Hub :

• cyndy155/monitoring-cpr:1.0.0
• cyndy155/preprocessing-cpr:1.0.0
• cyndy155/inference-cpr:1.0.2