title	Futurisys
emoji	🚀
colorFrom	blue
colorTo	indigo
sdk	docker
app_file	Dockerfile
pinned	false

🚀 FUTURISYS — Déploiement d’un modèle de Machine Learning V2.1.0

Projet pédagogique et pré-commercial de déploiement d’un modèle de Machine Learning via FastAPI et Docker.
→ Voir l’API en ligne sur Hugging Face Spaces »

Exemples d'utilisation · Tests · Feuille de route · Contact

---

Sommaire

1. À propos du projet
2. Structure du projet
3. Installation
4. Utilisation
5. Détails techniques du modèle
6. Tests
7. CI/CD et déploiement
8. Base de données et traçabilité
9. Technologies utilisées
10. Feuille de route
11. Licence
12. Contact

---

À propos du projet

⬆️ Revenir au sommaire

FUTURISYS est une entreprise innovante souhaitant rendre ses modèles de machine learning accessibles via une API performante.
Ce projet vise à déployer un modèle de classification issu du projet “Classification automatique d’informations”.

Objectifs principaux :

• Exposer un modèle ML via une API FastAPI.
• Gérer la traçabilité via PostgreSQL.
• Mettre en place une pipeline CI/CD GitHub Actions.
• Déployer sur Hugging Face Spaces via Docker.
• Documenter et tester entièrement le projet.

---

Structure du projet

⬆️ Revenir au sommaire

FUTURISYS/
├── app/
│   ├── main.py                # Point d'entrée de l'API FastAPI
│   ├── model/                 # Modèle entraîné + préprocesseur
│   │   ├── model.joblib
│   │   └── preprocessing.joblib
│   ├── utils/                 # Fonctions utilitaires
│   └── tests/                 # Tests unitaires Pytest
├── data/                      # Jeux de données
├── pyproject.toml             # Géré par uv
├── uv.lock
├── .python-version
├── Dockerfile                 # Pour l'initialisation sur huggingface
├── .github/
│   └── workflows/ci.yml       # Pipeline CI/CD (GitHub Actions)
└── README.md

---

Installation

⬆️ Revenir au sommaire

🔧 Prérequis

• Python 3.13
• uv
• Git
• Docker

💻 Cloner le dépôt

git clone https://github.com/RandomFab/FUTURISYS.git
cd FUTURISYS

📦 Installer les dépendances

uv sync

🚀 Lancer l’application

uvicorn app.main:app --reload

API disponible sur :

• Dev : http://127.0.0.1:8000
• Prod : https://randomfab-futurisys.hf.space
  → Swagger : http://127.0.0.1:8000/docs

---

Usage

⬆️ Revenir au sommaire

📄 Liste des endpoints

Endpoint	Description
/docs	Documentation Swagger
/threshold	Seuil de classification
/features	Liste des features
/model-info	Informations du modèle
/predict_from_transformed_data	Prédiction avec datas transformées
/predict_from_raw_data	Prédiction avec datas brutes
/predict_from_db_employe	Prédiction via BDD employés

Exemple Python :

import requests

url = "http://127.0.0.1:8000/predict_from_raw_data"
payload = {
    "heure_supplementaires": 1,
    "age": 35,
    "frequence_deplacement": 1,
    "niveau_education": 1,
    "poste": "Assistant de Direction",
    "statut_marital": "Célibataire",
    "annees_dans_l_entreprise": 5,
    "nombre_experiences_precedentes": 2,
    "annees_dans_le_poste_actuel": 1,
    "annee_experience_totale": 10
}
response = requests.post(url, json=payload)
print(response.json())

---

Détails techniques du modèle

⬆️ Revenir au sommaire

Description

• Modèle : HistGradientBoostingClassifier
• Tâche : Classification binaire (Reste(0) / Quitte(1) l’entreprise)
• Objectif : Anticiper le départ d’un collaborateur
• Source : Données internes TECHNOVA

Entraînement :

pipeline = IMBpipeline([
    ('preprocessing', preprocessor),
    ('smote', SMOTE(sampling_strategy=0.2, random_state=42)),
    ('under', RandomUnderSampler(sampling_strategy=0.8, random_state=42)),
    ('model', HistGradientBoostingClassifier(random_state=42))
])

Optimisation : Recall prioritaire pour détecter les départs.
Sauvegarde via joblib.

---

Tests

⬆️ Revenir au sommaire

uv run pytest --maxfail=1 --disable-warnings -q --cov=. --cov-report=html

Rapport HTML complet dans /htmlcov.

---

⚡️ Intégration Continue (CI/CD)

⬆️ Revenir au sommaire

Pipeline GitHub Actions :

• Tests à chaque push ou PR.
• Rapport de couverture.
• Déploiement automatique sur Hugging Face Spaces.

Secrets configurés via GitHub.

---

Base de données et traçabilité

⬆️ Revenir au sommaire

Données de bases importer depuis 3 csv (SIRH, evaluation annuelle, sondage), dans une base postgreSQL locale.

Intégration PostgreSQL pour tracer les inputs et outputs du modèle.

Type de relations :

• employes - inputs : 1-N
• inputs - outputs : 1-1

---

🧩 Technologies utilisées

⬆️ Revenir au sommaire

Technologie	Usage
Python 3.13	Langage principal
FastAPI	API
uv	Dépendances
scikit-learn / imbalanced-learn	ML
SQLAlchemy / psycopg2	ORM / PostgreSQL
pytest / pytest-cov	Tests
Docker	Conteneurisation
GitHub Actions	CI/CD
Hugging Face Spaces	Déploiement

---

Roadmap

⬆️ Revenir au sommaire

• ✅ Création du dépôt
• ✅ API FastAPI
• ✅ PostgreSQL
• ✅ CI/CD
• ✅ Déploiement HF
• ✅ Documentation finale

---

Licence

⬆️ Revenir au sommaire

📄 Projet pédagogique et commercial — tous droits réservés.
Utilisable à des fins éducatives et démonstratives.
Toute réutilisation commerciale doit mentionner RandomFab.

---

Contact

⬆️ Revenir au sommaire

👤 Auteur : RandomFab
🌐 Démo : randomfab-futurisys.hf.space

(⬆ Retour en haut)