Pipeline de construction
- Leçon 17
- 90 min
- Module 6 : Déployer et exploiter
Où nous en sommes
Dans le module 5, nous avons mesuré le produit honnêtement et consigné la décision dans un rapport d'évaluation. Mais « ça fonctionne » veut encore dire « ça fonctionne sur mon portable, aujourd'hui ». Dans cette leçon, nous exécutons une liste fixe de vérifications sur un ordinateur propre, et seulement ensuite nous construisons une image qui fonctionne de la même façon partout, comme un gâteau que l'on prépare chez soi et que l'on apporte à la fête.
Leçon 17 sur 22 · Projet intégrateur : créer, évaluer et livrer un produit d'IAPipeline de construction
1. Choisir et délimiter le projet
2. Préparer les données et l'architecture
3. Créer un parcours utilisateur complet
4. Ajouter la fiabilité et le contrôle d'accès
5. Évaluer et améliorer
6. Déployer et exploiter
7. Préparer la présentation du portfolio
Ce que vous saurez faire
Transformez le projet en un artefact qui fonctionne de la même façon sur tous les ordinateurs. Créez-le seulement après la réussite d’une liste fixe de vérifications automatisées sur un ordinateur propre. Sans cela, « ça fonctionne » veut dire « ça fonctionne sur mon portable, aujourd’hui ».
Avant de commencerCe qu’il faut savoir et avoir sous la main
Ce que vous devez savoir
- Ce qu’est l’intégration continue et pourquoi les vérifications s’exécutent sur un exécuteur propre, d’après Du commit à la mise en production et Définir les vérifications dans CI/CD, tests et mises en production sûres.
- Pourquoi construire une image une seule fois et livrer cette version, d’après Construire et tester : construire une seule fois, puis conserver cette version dans le cours CI/CD, tests et mises en production sûres.
- Le Dockerfile, le cache des couches et
.dockerignore, d’après L’essentiel du Dockerfile, Construire efficacement et Sécurité à l’exécution dans L’essentiel de Docker et du nuage pour les développeurs en IA. - Une évaluation qui bloque une mise en production, d’après Barrière d’évaluation de l’IA dans le cours CI/CD, tests et mises en production sûres.
- Dans ce cours : les données réservées et leur verrou, d’après Planifier les preuves; les seuils d’acceptation, d’après Critères d’acceptation; les vérifications d’isolation et l’évaluation sur données réservées, d’après Exécuter les tests sur des données réservées.
Ce qu’il vous faut sur votre ordinateur
- Votre projet à la fin du module 5. Pour l’exercice guidé, une copie neuve de l’instantané
end-of-m06, comme dans Utiliser un instantané. - Docker Desktop en marche (
docker versionaffiche un serveur) et environ 5 Go d’espace disque libre pour l’image et son cache de construction. - Un terminal dans le dossier du projet, avec l’environnement virtuel activé.
Testé sur macOS (Apple silicon) avec Python 3.12.13 et Docker Engine 29.6.1. Les commandes Windows et Linux sont écrites, mais l’équipe du cours ne les a pas testées. Le flux de travail GitHub Actions est écrit, mais l’équipe du cours ne l’a pas exécuté. Ses étapes ont été exécutées une par une sur le même ordinateur.
Un gâteau pour une fête
Section intitulée « Un gâteau pour une fête »Ana prépare un gâteau pour la fête d’une amie. Elle ne le prépare pas dans la cuisine de son amie. Le four, la farine et le temps disponible y sont différents. Elle le prépare chez elle. Avant de partir, elle fait toujours les trois mêmes choses. Elle goûte une tranche, vérifie qu’il n’y a pas de noix et écrit la date sur la boîte. Puis elle apporte ce gâteau, dans sa boîte, à la fête.
Cette habitude contient deux idées. D’abord, les vérifications forment une liste fixe, suivie chaque fois, pas seulement quand elle y pense. Ensuite, le gâteau qu’elle a vérifié est celui qui arrive. Si elle préparait un deuxième gâteau à la fête, personne ne l’aurait goûté.
Le problème : ça fonctionne sur le portable de Sam
Section intitulée « Le problème : ça fonctionne sur le portable de Sam »L’assistant de Sam fonctionne. Sur son portable, la page répond, les citations s’ouvrent et les vérifications d’isolation indiquent 0 fuite. Puis Omar demande une démo pour vendredi, sur l’ordinateur de la salle de réunion. Amira demande à vérifier la dernière modification de Sam sur son propre portable.
Qu’est-ce que le portable de Sam possède que les autres ordinateurs n’ont pas? Plus de choses que Sam ne le pense :
- l’environnement virtuel, environ 990 Mo avec la version de torch pour processeur;
- les deux modèles de recherche dans le cache de Hugging Face, environ 1 Go, téléchargés à la première question;
.envavec trois secrets, et.idp/avec la clé de signature du fournisseur d’exercice;- une base de données avec 51 documents déjà chargés;
- et les commandes dans la mémoire de Sam, dans le bon ordre.
Rien de cela n’est dans Git. Donc, « ça fonctionne » décrit un seul portable, un jour donné.
Les modifications ajoutent un deuxième problème. Vendredi après-midi, Tomás fait une « petite correction » (une modification construite pour cette leçon). Q37, la question en français sur le barbecue, est la question réservée que la recherche hybride a fait échouer dans Documenter les compromis. Tomás dit qu’une question sur un tableau appartient aux données de réglage. Il la déplace de heldout.jsonl vers dev.jsonl. Le score sur les données réservées augmenterait alors. Sam exécute la vérification du module 1 sur cette copie :
python -m scripts.holdout checkheldout.jsonl changed after it was reserved. A changed held-out set cannot show that you did not tune on it: restore it (git checkout evaluation/heldout.jsonl).La vérification fonctionne et se termine avec le code 1. Mais elle aide seulement si quelqu’un l’exécute. À 18 h un vendredi, personne n’y pense.
L’idée : un pipeline de construction
Section intitulée « L’idée : un pipeline de construction »La réponse, c’est l’habitude d’Ana, appliquée par un ordinateur. Un pipeline de construction est une liste fixe de vérifications automatisées. Un ordinateur propre les exécute à chaque modification, dans un ordre fixe. Si toutes les vérifications réussissent, le pipeline prépare le projet sous forme d’un artefact. L’artefact qui a réussi les vérifications est celui que vous livrez.
Trois noms accompagnent cette idée :
- L’intégration continue (CI) est la première moitié : les vérifications s’exécutent à chaque modification, sur un ordinateur propre. Cet ordinateur possède seulement ce qui est dans Git. On l’appelle un exécuteur. « Continue », parce que cela arrive à chaque envoi. « Intégration », parce qu’une modification rejoint la branche principale seulement après avoir réussi.
- Un artefact est le résultat préparé que vous livrez. Ici, c’est une image de conteneur : le code, les paquets Python, les deux modèles et l’ensemble de données. Tout est dans un seul système de fichiers qui fonctionne de la même façon sur tout ordinateur avec Docker.
- Une étiquette de version est le nom de version de l’image, par exemple
doc-assistant:1.0.0. Chaque mise en production reçoit une nouvelle étiquette. Les anciennes restent, pour pouvoir revenir à l’une d’elles.
Les vérifications correspondent à la dégustation d’Ana. L’image est la boîte. « Apporter ce gâteau » veut dire : ne reconstruisez pas l’image pour la démo. Exécutez l’image qui a réussi les vérifications.
Un petit exemple : six vérifications, dans l’ordre
Section intitulée « Un petit exemple : six vérifications, dans l’ordre »La tâche de test du pipeline de Sam comprend six étapes. Chacune répond à une question et détecte une erreur que les autres manquent :
| Étape | Commande | Ce qu’elle détecte | Durée |
|---|---|---|---|
| Analyse statique | ruff check . |
une importation inutilisée, un nom qui n’existe pas | 0,3 s |
| Données réservées inchangées | python -m scripts.holdout check |
le déplacement de Q37 par Tomás | moins de 0,1 s |
| Tests | python -m pytest |
un point de terminaison défectueux, une vérification d’accès manquante, une erreur de migration | 40,8 s |
| Chargement de l’ensemble | python -m scripts.load_pack |
un document qui ne s’analyse plus, un modèle qui ne se télécharge pas | 30,4 s |
| Isolation | python -m scripts.isolation |
un passage d’une boutique dans les résultats de l’autre | 6,4 s |
| Test sommaire d’évaluation | python -m scripts.evaluate --set heldout --min-correct 0.75 |
une modification qui dégrade les réponses alors que tous les tests réussissent | 4,8 s |
Ces durées viennent d’une exécution sur le portable de l’équipe du cours, avec une copie neuve de l’instantané. D’autres tâches étaient en cours. Vos durées seront différentes.
L’ordre est volontaire. Les deux vérifications les plus rapides viennent d’abord. Ainsi, une faute de frappe entraîne un échec en moins d’une seconde, pas après une minute de tests. Les vérifications qui ont besoin de la base de données viennent ensuite. Celles qui chargent les modèles viennent en dernier. Si une étape échoue, la tâche s’arrête et aucune image n’est construite.
Description textuelle du graphique
Un diagramme à colonnes avec six colonnes, une par étape de la tâche de test, dans l’ordre de la tâche. L’analyse statique prend 0,3 s et le verrou des données réservées moins de 0,1 s. Leurs colonnes sont donc presque plates. Les tests prennent 40,8 s, le chargement de l’ensemble 30,4 s, les vérifications d’isolation 6,4 s et le test sommaire d’évaluation 4,8 s. La tâche complète prend environ 83 s sur ce portable.
Tout le déroulement de ce module tient dans une image. Cette leçon construit le premier groupe et l’image. La prochaine leçon démarre l’image et exécute le test sommaire. La dernière leçon du module revient à la version précédente.
Description textuelle du diagramme
Le premier groupe est la tâche de test. Six vérifications s’exécutent dans l’ordre : l’analyse statique, le verrou des données réservées, les tests avec PostgreSQL, le chargement des 51 documents de l’ensemble, les vérifications d’isolation avec 0 fuite et le test sommaire d’évaluation avec une proportion correcte minimale de 0,75. Une étape échouée arrête la tâche et aucune image n’est construite. Quand toutes réussissent, le deuxième groupe commence. L’image est construite une seule fois et reçoit l’étiquette doc-assistant:1.0.0. La pile démarre et Compose attend que /ready réponde. Les données sont chargées dans le conteneur et le test sommaire exécute ses 7 vérifications. Si les 7 réussissent, la mise en production est terminée et l’étiquette précédente est conservée. Deux chemins rouges mènent au retour à la version précédente : l’API ne devient jamais prête ou une vérification sommaire échoue. Le retour démarre l’étiquette précédente avec ses paramètres et conserve les données. Puis le test sommaire s’exécute de nouveau.
Le test sommaire d’évaluation est une barrière
Section intitulée « Le test sommaire d’évaluation est une barrière »Un test sommaire est une vérification courte et rapide qui confirme que l’essentiel fonctionne encore. La prochaine leçon explique son nom anglais. Les tests vérifient que le code fait ce que Sam a écrit. Ils ne peuvent pas vérifier que les réponses restent bonnes. Une nouvelle requête (prompt) ou un nouveau paramètre de récupération peut réussir tous les tests et produire de moins bonnes réponses. La dernière vérification exécute donc les questions réservées et fait échouer la tâche sous un minimum :
python -m scripts.evaluate --set heldout --min-correct 0.75hybrid, answer_v2, recorded: 41 questions | correct 0.878 | retrieval hit 0.886 | citations valid 1.000 | abstained when it should 0.833 | injection obeyed 0 of 2 | median 9 ms | US$0.000167 per question answerable 12 correct 0.833 hit 0.833 contradiction 3 correct 1.0 hit 1.0 exact-code 4 correct 1.0 hit 1.0 injection-bait 2 correct 1.0 hit 1.0 other-shop 2 correct 0.5 hit None staff-only 5 correct 1.0 hit 1.0 table 5 correct 0.8 hit 0.8 unanswerable 4 correct 1.0 hit None version 4 correct 0.75 hit 0.75Le minimum, 0,75, vient du critère Q1, que Sam et Grace ont écrit au module 1, avant toute mesure. L’exécution rejoue les réponses enregistrées. Elle n’a donc besoin d’aucune clé, ne coûte rien et donne les mêmes chiffres chaque fois : 0,878 de réponses correctes, 36 sur 41.
Pour voir à quoi ressemble une barrière rouge, augmentez le minimum au-dessus du résultat. Ce n’est pas un vrai seuil. Il sert seulement à montrer l’échec :
python -m scripts.evaluate --set heldout --min-correct 0.9hybrid, answer_v2, recorded: 41 questions | correct 0.878 | retrieval hit 0.886 | ... ...FAILED: correct 0.878 is below 0.9La commande se termine avec le code 1 et la CI marque la tâche comme échouée.
« Mais le module 1 disait : regardez les réponses réservées une seule fois, à la fin. Est-ce que la CI les utilise trop? » Priya répond : la barrière affiche seulement les totaux et les nombres par type, jamais une question ou une réponse. Personne ne règle le système à partir d’une réussite ou d’un échec. Si une vraie modification échoue à la barrière, cherchez la cause dans les données de réglage, comme dans Examiner les catégories d’erreurs.
Préparer une seule fois : l’image
Section intitulée « Préparer une seule fois : l’image »L’image est la boîte. Le Dockerfile de Sam reprend les pratiques du cours sur Docker. Chaque commentaire explique pourquoi une ligne est là :
# The document assistant's image: the API, the worker thread, the practice identity provider,# the scripts and the data pack, and the two local models (downloaded at build time, so the# container needs no internet when it runs).FROM python:3.12.13-slim-trixie
ENV PYTHONDONTWRITEBYTECODE=1 PYTHONUNBUFFERED=1 HF_HOME=/opt/hf PIP_NO_CACHE_DIR=1WORKDIR /app
# The CPU build of torch first (the default build on Linux is the much larger CUDA one).RUN pip install torch==2.14.1 --index-url https://download.pytorch.org/whl/cpuCOPY requirements.txt .RUN grep -v -E '^(pytest|ruff)==' requirements.txt > requirements-run.txt && pip install -r requirements-run.txt
# The models, pinned to the revisions in doc_assistant/embed.py and rerank.pyCOPY doc_assistant/embed.py doc_assistant/rerank.py /tmp/models/RUN python -c "import sys; sys.path.insert(0, '/tmp/models'); import embed, rerank; \from sentence_transformers import SentenceTransformer, CrossEncoder; \SentenceTransformer(embed.LOCAL_MODEL, revision=embed.LOCAL_REVISION); \CrossEncoder(rerank.RERANK_MODEL, revision=rerank.RERANK_REVISION)" && rm -rf /tmp/models
COPY doc_assistant doc_assistantCOPY idp idpCOPY migrations migrationsCOPY recordings recordingsCOPY scripts scriptsCOPY data dataCOPY evaluation evaluationARG APP_VERSION=1.0.0ENV APP_VERSION=${APP_VERSION} HF_HUB_OFFLINE=1
RUN useradd --create-home --uid 10001 app && mkdir -p traces && chown app tracesUSER appEXPOSE 8000CMD ["fastapi", "run", "doc_assistant/main.py", "--host", "0.0.0.0", "--port", "8000"]Cinq choix dans ce fichier sont importants pour un projet intégrateur :
- Versions fixées. L’image de base a sa version exacte de Python (
3.12.13-slim-trixie). torch a sa version exacte et les modèles ont leurs révisions exactes. Le même fichier construit la même image le mois prochain. - La version de torch pour processeur d’abord. Sur Linux,
pip install torchinstalle par défaut la version pour les cartes graphiques NVIDIA. Cette version est plusieurs fois plus grosse et l’assistant n’utilise pas de carte graphique. - Les modèles sont dans l’image. Ils se téléchargent pendant la construction.
HF_HUB_OFFLINE=1interdit ensuite tout téléchargement pendant l’exécution du conteneur. Un ordinateur de démo sans Internet, ou avec une connexion lente, répond quand même. - Aucun outil de test, aucun secret.
requirements-run.txtexclut pytest et ruff..dockerignoreexclut.env,.idp,.venv,testset.gitde la construction. Aucun secret ne peut donc entrer dans une couche. - Un utilisateur qui n’est pas root. Le conteneur s’exécute sous
app. Une erreur dans le code ne peut donc pas modifier les fichiers système du conteneur.
Le coût du choix 3 est la taille. L’image contient environ 1,1 Go de contenu compressé et occupe environ 3,7 Go sur disque une fois décompressée. torch et les deux modèles en constituent la plus grande partie. La première construction de l’équipe du cours a pris environ 107 s. Une construction qui change seulement le code prend beaucoup moins de temps. Les couches lentes viennent d’abord et restent dans le cache, comme dans Construire efficacement. L’autre solution est une petite image qui télécharge les modèles au démarrage. Cette image s’envoie plus vite, mais chaque démarrage exige Internet et prend du temps. Pour une démo sur un ordinateur inconnu, la grosse image est le choix le plus sûr.
Le fichier de flux de travail
Section intitulée « Le fichier de flux de travail »GitHub Actions lit .github/workflows/ci.yml. Il contient deux tâches. test (test) exécute les six vérifications, avec PostgreSQL comme conteneur de service. image s’exécute seulement si test a réussi (needs: test). Elle construit l’image, démarre toute la pile, charge les données et exécute le test sommaire sur cette pile. La prochaine leçon explique ces étapes. Voici les parties importantes :
jobs: test: runs-on: ubuntu-24.04 services: db: image: pgvector/pgvector:0.8.7-pg18-trixie # ... a health check, so the steps start only when PostgreSQL answers steps: # ... check out, Python 3.12, CPU torch first, then requirements.txt - name: Lint run: ruff check . - name: The held-out set has not changed run: python -m scripts.holdout check - name: Tests run: python -m pytest - name: Load the data pack (downloads the two models) run: python -m scripts.load_pack - name: Isolation checks (must be 0 leaks) run: python -m scripts.isolation - name: Evaluation smoke test (recorded answers, held-out set) run: python -m scripts.evaluate --set heldout --min-correct 0.75
image: needs: test # ... builds the image with the commit as its version, starts the stack, # loads the data, runs scripts/smoke.py, prints the logs on failure, stopsLe mot de passe de la base de données dans le flux de travail est ci-only-not-secret (CI seulement, pas un secret). Il protège une base de données qui existe pendant quelques minutes sur un exécuteur. Ce n’est donc pas un secret et son nom l’indique.
Un fichier de pipeline que personne n’exécute sur son propre ordinateur finit par ne plus correspondre au projet. Un test les garde donc cohérents. test_the_release_files_agree, dans tests/test_operations.py, vérifie que le Dockerfile contient USER app et HF_HUB_OFFLINE=1. Il vérifie aussi que Compose et la CI utilisent la même image PostgreSQL. Il confirme également que la CI contient toujours chaque étape du tableau ci-dessus et que .dockerignore nomme .env et .idp. Si quelqu’un supprime l’étape d’isolation, un test échoue sur son propre portable.
Exercice guidé : exécuter le pipeline sur une copie propre
Section intitulée « Exercice guidé : exécuter le pipeline sur une copie propre »Vous exécutez les six vérifications et la construction sur une copie neuve de l’instantané, comme le ferait un exécuteur CI. La copie est votre « ordinateur propre ».
-
Copiez l’instantané
end-of-m06dans un nouveau dossier, par exemple~/projects/doc-assistant-ci. Gardez votre propre projet où il est. -
Créez l’environnement, les paramètres et les clés du fournisseur d’exercice :
Fenêtre de terminal cd ~/projects/doc-assistant-cipython3 -m venv .venvsource .venv/bin/activatepip install -r requirements.txtcp .env.example .envpython -m idp initFenêtre de terminal cd ~\projects\doc-assistant-cipy -3.12 -m venv .venv.venv\Scripts\Activate.ps1pip install -r requirements.txtcopy .env.example .envpython -m idp initSur Linux sans carte graphique, exécutez d’abord
pip install torch==2.14.1 --index-url https://download.pytorch.org/whl/cpu. Si un autre projet utilise le port 5432, définissezDB_PORTdans.env. Changez aussi le port dans les deux URL de base de données. -
Démarrez la base de données :
docker compose up -d --wait db. La dernière ligne se termine parHealthy(en bon état). -
Exécutez les deux vérifications rapides :
ruff check ., puispython -m scripts.holdout check. Vous voyez :All checks passed!Held-out set: 41 questions (bramble 14, larkfield 27). SHA-256 matches the lock (e8eda11340d6...).Tuning set (dev.jsonl): 62 questions (bramble 20, larkfield 42). -
Exécutez les tests :
python -m pytest. Les paramètres du projet rendent déjà la sortie courte : un point par test, puis une dernière ligne commençant par108 passed(108 réussis). Les tests prennent environ 40 s sur le portable de l’équipe du cours. -
Chargez l’ensemble :
python -m scripts.load_pack. Si les deux modèles ne sont pas encore dans votre cache, cette commande les télécharge d’abord. La fin de la sortie :Indexed 51 documents in 29.5 s (failed 0).bramble: 15 documents, 60 passages, 0 failedlarkfield: 36 documents, 185 passages, 0 failed -
Exécutez les vérifications d’isolation :
python -m scripts.isolation. La dernière ligne estIsolation checks: 414 probes, 0 leaks.(vérifications d’isolation : 414 sondes, 0 fuite). -
Exécutez la barrière :
python -m scripts.evaluate --set heldout --min-correct 0.75. La première ligne indiquecorrect 0.878(proportion correcte de 0,878) et le code de sortie est 0. -
Construisez l’image. La première construction prend quelques minutes :
Fenêtre de terminal APP_VERSION=1.0.0 docker compose --profile app build apidocker image ls doc-assistantFenêtre de terminal $env:APP_VERSION = "1.0.0"docker compose --profile app build apidocker image ls doc-assistantVous voyez une image,
doc-assistant, avec l’étiquette1.0.0. Elle occupe environ 3,7 Go sur disque et son contenu mesure environ 1,1 Go. La taille du contenu correspond aux couches compressées qu’un registre stocke. L’espace disque correspond à l’image décompressée sur votre ordinateur.
Gardez la base de données et l’image : la prochaine leçon les utilise. Si vous avez besoin de mémoire maintenant, docker compose down arrête la base de données et conserve ses données.
Si vous ajoutez plutôt les fichiers de mise en production à votre propre projet du module 5, vous avez 104 tests. La dernière leçon de ce module ajoute les quatre tests de tests/test_operations.py.
À vous de jouer : faites échouer une vérification volontairement
Section intitulée « À vous de jouer : faites échouer une vérification volontairement »Changez une condition et prédisez le résultat avant de l’exécuter. Dans votre copie propre, ouvrez doc_assistant/limits.py. Juste avant la ligne from .errors import ApiError, ajoutez la ligne import os et une ligne vide. N’utilisez pas os. Quelle étape du tableau échoue en premier, et combien de temps prend-elle?
Afficher la réponse
L’étape d’analyse statique échoue en premier, en bien moins d’une seconde :
F401 [*] `os` imported but unused --> doc_assistant/limits.py:8:8 | 6 | """ 7 | 8 | import os | ^^ 9 |10 | from .errors import ApiError |help: Remove unused import: `os`...Found 1 error.[*] 1 fixable with `--fix`.ruff signale l’importation inutilisée (règle F401) et se termine avec le code 1. Dans l’intégration continue, la tâche s’arrête ici, et les tests ne démarrent jamais. Voilà pourquoi les vérifications rapides viennent en premier : une erreur aussi petite ne devrait pas coûter une minute de tests. Supprimez la ligne, ou exécutez ruff check --fix ., et l’étape réussit de nouveau.
Erreur courante
Une vérification absente du pipeline
Symptôme : un cas construit. La demande de tirage de Sam est au vert. Deux jours plus tard, Priya exécute manuellement l’évaluation sur les données réservées. La proportion de réponses correctes est inférieure à 0,878. Personne ne sait quel changement en est la cause.
Cause : dans ce cas, le flux de travail comprenait l’analyse statique et les tests, mais aucune étape d’évaluation. Un changement de récupération a passé tous les tests. Ceux-ci utilisent un petit modèle de plongement par hachage et vérifient le comportement, pas la qualité des réponses. Rien ne vérifiait les réponses à chaque changement.
Diagnostic : comparez les étapes de ci.yml au plan des preuves. Chaque affirmation qu’un changement peut invalider doit avoir une étape. « Les réponses sont assez bonnes » n’en avait aucune.
Correction : ajoutez l’étape de barrière, avec le seuil minimal des critères d’acceptation. test_the_release_files_agree énumère les étapes requises. L’étape ne peut donc plus disparaître sans faire échouer un test.
Conséquence pour le travail en IA : dans un produit d’IA, la plupart des régressions touchent les réponses, pas le code. Un pipeline qui contient seulement des tests protège la partie qui se dégrade le moins souvent.
Votre projet
Section intitulée « Votre projet »Faites la même chose pour votre produit, dans le parcours standard ou celui fondé sur votre propre idée.
- Écrivez le Dockerfile. Partez de celui de Sam. Si vos modèles sont différents, changez l’étape de téléchargement et conservez les révisions fixées. Si votre produit appelle seulement un modèle hébergé, vous pouvez retirer torch et obtenir une image beaucoup plus petite.
- Écrivez
.dockerignore. Vérifiez qu’il contient.env, vos fichiers de clés et toutes les données non publiques. - Écrivez le flux de travail avec les six étapes, dans le même ordre. Utilisez votre critère d’acceptation du module 1 comme seuil minimal de la barrière. Ne choisissez pas ce seuil après avoir vu le résultat.
- Exécutez chaque étape sur une copie propre de votre dépôt, comme dans l’exercice guidé. Une étape qui réussit seulement dans votre dossier de travail n’est pas encore une vérification.
- Si votre dépôt est sur GitHub, poussez-le et laissez Actions exécuter le flux de travail. Sinon, indiquez-le dans votre README et conservez la sortie de l’exécution locale.
Preuves à conserver : Dockerfile, .dockerignore, .github/workflows/ci.yml, la sortie des six étapes sur une copie propre (ou le lien vers une exécution au vert), ainsi que l’étiquette et la taille de l’image.
Liste de vérification
- Les six étapes s’exécutent de la plus rapide à la plus lente, et un échec arrête la tâche.
- Le seuil minimal d’évaluation correspond à votre critère d’acceptation, écrit avant la mesure.
- L’image fixe les versions, s’exécute sous un utilisateur autre que root et ne contient aucun secret.
- Un test vérifie la cohérence des fichiers de mise en production.
- Vous avez exécuté toute la tâche sur une copie propre, pas seulement dans votre dossier de travail.
Vérification des connaissances
Section intitulée « Vérification des connaissances »Vérifiez votre compréhension
Ana goûte une tranche de son gâteau chez elle, puis apporte ce gâteau à la fête. À quelles deux parties d'un pipeline de construction cette habitude correspond-elle? Que représenterait « cuire un deuxième gâteau à la fête »?
Afficher la réponse
La dégustation représente la liste fixe de vérifications exécutées à chaque changement (intégration continue). Apporter le même gâteau, c’est livrer l’artefact qui a passé les vérifications : une image, avec une étiquette. Cuire un deuxième gâteau à la fête, c’est reconstruire l’image pour la démo ou la production. Personne n’a vérifié cette deuxième construction, et elle peut différer. Par exemple, un paquet ou l’image de base peut avoir changé entre-temps.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
Prédisez le résultat : une demande de tirage modifie la requête de réponse. Les 108 tests réussissent. Quelle étape de la tâche de test peut encore échouer, et pourquoi les tests ne voient-ils pas le problème?
Afficher la réponse
Le test de bon fonctionnement de l’évaluation peut échouer. Il exécute les questions réservées et refuse un résultat inférieur à 0,75 de réponses correctes. Les tests vérifient le comportement : codes d’état, citations existantes et règles d’accès. Ils utilisent un petit modèle de plongement par hachage et des réponses courtes et fixes. Ils ne mesurent pas si les réponses sont correctes. Après la modification de la requête, aucune réponse enregistrée ne correspond. Le composant simulé répond donc à sa place, et la proportion de réponses correctes baisse. La barrière le détecte; les tests ne le voient pas.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Vérifiez votre compréhension
L'image de Sam fait environ 1,1 Go parce qu'elle contient les deux modèles. Tomás veut une petite image qui télécharge les modèles au démarrage. Donnez une raison pour chaque choix. Lequel choisiriez-vous pour une démo sur un ordinateur inconnu?
Afficher la réponse
Modèles inclus : l’image démarre sans Internet, toujours avec les mêmes fichiers de modèles aux révisions fixées. Aucun téléchargement ne ralentit la première question. Modèles téléchargés au démarrage : l’image est plus petite et plus rapide à transférer dans les deux sens. Une mise à jour du modèle ne demande aucune nouvelle construction. Pour une démo sur un ordinateur inconnu, gardez les modèles dans l’image. Une connexion absente ou lente dans une salle de réunion ferait échouer la démo. Les fichiers aux révisions fixées gardent les réponses identiques à celles de l’évaluation.
Votre réponse contient-elle les points principaux de la nôtre ?
Connectez-vous et inscrivez-vous au cours pour enregistrer vos réponses. Chaque vérification compte pour le certificat.
Récapitulatif
- « Ça fonctionne sur mon portable » dépend de fichiers absents de Git : l’environnement, les modèles, les secrets, une base de données chargée et votre souvenir des commandes.
- Un pipeline de construction exécute une liste fixe de vérifications sur un ordinateur propre à chaque changement. Il construit un artefact seulement si toutes les vérifications réussissent : une image avec une étiquette. Vous livrez cette image sans la reconstruire.
- La tâche de test de Sam comprend six étapes, de la plus rapide à la plus lente : analyse statique, verrouillage des données réservées, tests, chargement de l’ensemble, vérifications d’isolation et barrière d’évaluation avec le seuil minimal du critère Q1.
- La barrière d’évaluation détecte ce que les tests ne peuvent pas détecter : des réponses qui se dégradent malgré un code fonctionnel.
- L’image fixe chaque version, contient les modèles, s’exécute sous
appet ne contient aucun secret. Elle contient environ 1,1 Go de contenu compressé, surtout torch et les modèles.
Ensuite, vous démarrez cette image avec sa base de données et son fournisseur d’identité. Vous vérifiez qu’elle est prête et démontrez le parcours principal avec un test de bon fonctionnement.
Leçon suivante : Mettre la démo en production