Sécurité cloud Zero Trust data

Contexte

Assureur avec 10 data scientists utilisant chacun leur propre machine locale pour le développement ML. Il n'existe aucune plateforme ML standardisée : chaque data scientist installe Python, les librairies et les frameworks à sa manière. Les modèles en production tournent sur des VMs configurées manuellement.

Problème & Défi

10 data scientists × 10 environnements différents : aucune reproductibilité entre les machines. Time-to-production ML de 6 mois : 4 mois d'ingénierie pour le déploiement. Modèles en production non monitorés : la performance se dégrade sans détection. Aucun registre de modèles : impossible de savoir quels modèles sont en production et leur version. Coûts GPU non optimisés : chaque data scientist a sa propre VM GPU à 50K€/an utilisée à 10%.

Solution & Livrables

Plateforme ML managée sur Databricks avec environnements standardisés (Notebooks, clusters, jobs). Registry de modèles : versioning, staging, promotion en production avec workflow d'approbation. Pipeline CI/CD ML : du notebook au modèle en production en 1 jour vs 4 mois. Monitoring ML intégré : détection de drift, alerting, retraining automatique. Clusters partagés avec auto-scaling : coûts GPU mutualisés et optimisés.

Technologies