À propos du projet
Ce projet complet, développé dans le cadre de ma formation en intelligence artificielle, combine data engineering, machine learning et déploiement d’applications pour répondre à une problématique métier concrète : la gestion et la prédiction des frais médicaux.
Il se structure autour de trois services :
Projet 1 – API de gestion des données médicales
- API REST développée avec FastAPI.
- Gestion des entités :
Sex,Smoker,Region,Patient,AppUser. - Base de données relationnelle avec SQLite + SQLAlchemy.
- Génération de données de test via Faker.
- Intégration continue avec Pytest + GitHub Actions.
Projet 2 – API de prédiction
- Entraînement de modèles ML (régression linéaire, Random Forest…).
- Évaluation : RMSE, MAE, R².
- Suivi d’expériences avec MLflow.
- Export du pipeline (préprocesseur + modèle) pour la mise en production.
- API FastAPI avec endpoint
/predict.
Projet 3 – Interface utilisateur et orchestration
- Application en Streamlit.
- Orchestration des appels vers les APIs des projets 1 et 2.
- Formulaire interactif pour prédiction en ligne.
- Import/export CSV pour prédiction en masse.
- Visualisation des résultats avec Altair.
- Journalisation avec Loguru.
Fonctionnalités principales
- Prédictions en temps réel ou par fichier CSV
- Visualisation des charges médicales prévues
- Benchmarking et comparaison de modèles IA
- Pipeline ML complet déployé et exploitable
- API documentées et testées
- Déploiement unifié avec Docker Compose
Technologies utilisées
- FastAPI · Streamlit · SQLite · SQLAlchemy
- Scikit-learn · MLflow · Altair
- Docker / Docker Compose
- Loguru · Pytest
Aperçu de l’architecture
[Streamlit UI]
|
|------> [API Gestion - Projet 1 : port 8001]
|
|------> [API Prédiction - Projet 2 : port 8002]Lancer le projet
git clone https://github.com/Mathieu-Soussignan/mini-projet-1
cd mini-projet-1
docker-compose up --build- 🌐 http://localhost:8501 : Interface Streamlit
- 📡 http://localhost:8001 : API de gestion
- 🧠 http://localhost:8002 : API de prédiction
Leçons tirées
- Mise en œuvre concrète du cycle de vie d’un projet IA
- Communication entre microservices avec Streamlit + FastAPI
- Manipulation avancée de Docker pour la production locale
- Mise en place d’un environnement modulaire et maintenable