ml-workflow

---

name: ml-workflow description: Clustering des pain points pharmacie : Discovery (problème de burnout, scraping PharmQC) → Development (NLP français,...

ML Workflow — Lifecycle canonique end-to-end

Réf : MIA5100Z « Foundations & Applications of ML » (uOttawa, Dr. A. Omara), Semaine 2. Principe : un projet ML suit un processus structuré, reproductible et cyclique — pas une suite d'essais. Règle d'or (Omara) : « build it once, automate it forever » — la structure apporte approche systématique + reproductibilité + scalabilité.

3 phases (vue macro)

Phase	Regroupe	Définition
1. Discovery	Steps 1-2	Définition du problème, faisabilité, exploration des données, identification du cas d'usage
2. Development	Steps 3-6	Prétraitement, feature engineering, entraînement, validation, expérimentation
3. Deployment	Steps 7-8 (+ retrain)	Mise en service, monitoring, pipelines de réentraînement

8 étapes (vue détaillée)

#	Étape	Définition (ce que c'est)	Ce que ça fait (sorties clés)
1	Problem Formulation	Étape initiale critique qui fixe la direction de tout le projet	Stakeholders, impact business, problème actionnable, tâche ML (classif/régression/clustering), critères de succès, scope + timeline
2	Data Collection	Extraire, curer & collecter les données nécessaires	Sources (API/scraping/datasets), features/attributs, contraintes (privacy/qualité/légalité), labels si supervisé
3	Data Preprocessing	Nettoyer, wrangler, curer & préparer les données (60-70 % du temps)	Intégration, nettoyage (doublons), encodage (label/one-hot), valeurs manquantes, scaling, outliers, split train/val/test
4	Feature Engineering	Créer, transformer ou sélectionner des features pour mieux capter les patterns	Création (combiner colonnes), transformation (normalisation, one-hot), sélection (corrélation/influence)
5	Modeling / Development	Choisir & entraîner le meilleur modèle selon objectifs/contraintes	Model selection (supervisé vs non), training = optimisation des paramètres (poids appris)
6	Evaluation	Mesurer la performance sur données non vues	Métriques par type (classif : accuracy/precision/recall/F1 ; régression : MSE/MAE/R² ; clustering : silhouette/Dunn), cross-validation (overfitting), model comparison = champion
7	Deployment	Intégrer le modèle dans un environnement de production	Choix d'environnement, intégration, API, scalabilité, sécurité
8	Monitoring	Garder le modèle efficace & fiable en conditions réelles	Performance en prod, détection de drift (data/concept/model), anomalies, scalabilité → déclenche le retraining

⚠️ Deux numérotations dans le cours (piège quiz) : les Step 1-8 ci-dessus (slides détaillées) ≠ le diagramme slide 5 « Typical ML Workflow », qui sépare business goal (1) et ML problem framing (2), regroupe collection + preprocessing + feature engineering dans une seule phase « Data processing » (3), et fait du retraining une phase 8 explicite. Le mapping en 3 phases, lui, reste identique.

Le cycle (≠ ligne droite)

• Losange « Are business goals met? » : si NON → data augmentation / feature augmentation + réentraîner (AVANT le déploiement).
• APRÈS le déploiement : le monitoring détecte le drift → retraining (boucle 8 → 3).
• En production on ne mesure pas l'accuracy (pas de ground truth) : on suit le drift, avec des métriques différentes de celles du dev.

Concepts liés (pointeurs, pas de duplication)

• Drift (Step 8) : data drift = la distribution des inputs change ; concept drift = la relation features→cible évolue ; model drift = la performance se dégrade (conséquence des deux premiers).
• Parameters vs hyperparameters : paramètres = ce que le modèle apprend (poids) ; hyperparamètres = guident comment il apprend (learning rate, nombre de neurones), fixés AVANT le training.
• Experimentation vs Experiment : experimentation = stratégie globale (tester N modèles/configs) ; experiment = un run unique.
• Hypothesis testing : H₀ (statu quo) vs H₁ (défie le statu quo) ; format « If {variable indépendante} then {variable dépendante} » ; p-value < α (α usuel 0.05) → rejeter H₀ ; Type I = faux positif (rejeter H₀ vrai), Type II = faux négatif (garder H₀ faux). A/B testing = online experiment contre le concept drift.
• AutoML / ML Pipeline : automatiser data ingestion → preprocessing → feature selection → training → deployment → monitoring. Suivi d'expériences = MLflow (Databricks). Un pipeline = sous-ensemble automatisé du workflow.

Application cross-projet (exemple IntelliSoins)

Clustering des pain points pharmacie : Discovery (problème de burnout, scraping PharmQC) → Development (NLP français, feature engineering, K=11) → Deployment (Streamlit/MLX + monitoring du concept drift : Loi 25, nouveaux médicaments, réforme OPQ → réentraîner).

Cross-réf orchestration (≠ ce fichier) : pipeline-phases.md = phases d'un pipeline multi-agent ; postgresml-usage.md = ML in-database PostgresML.