Sillage — projet fil rouge du cours Docker

Bienvenue sur le dépôt du projet Sillage, le fil rouge du module Docker du parcours AI Engineer. Vous allez le faire grandir chapitre après chapitre, jusqu'à savoir le conteneuriser, l'orchestrer, le tester et le publier.

Le contexte

Sillage est une jeune entreprise de veille média. Ses clients reçoivent chaque jour bien plus d'articles de presse qu'ils ne peuvent en lire. Ils veulent retrouver, dans ce flux, ceux qui parlent de leur sujet, même quand l'article n'emploie pas les mots auxquels ils auraient pensé, et en obtenir un résumé.

L'équipe a écrit sillage-api, une API FastAPI avec quatre points d'entrée :

Point d'entrée	Rôle
GET /health	Indique si le service est opérationnel
POST /index	Encode le corpus d'articles et l'indexe
POST /search	Recherche les articles pertinents pour une requête
POST /digest	Produit un résumé d'une sélection d'articles

Le service s'appuie sur un petit modèle d'embeddings (all-MiniLM-L6-v2, exécuté sur CPU) et sur une base vectorielle (Qdrant).

Le sujet du cours n'est pas Sillage. Le code de l'application vous est fourni, vous n'aurez jamais à écrire de Python ici. Sillage est un prétexte réaliste : toute la difficulté du module est dans le Docker, aucune dans le métier.

Prérequis

• Linux, bash, Git, les bases de Docker (acquises dans le cours amont).
• Une VM ou une machine avec Docker Engine. Pas besoin de GPU : tout tourne sur CPU.

Démarrer

Ce dépôt se forke : vous travaillez sur votre copie, ce qui vous permet de committer votre travail et, au chapitre 7, de publier votre image via votre propre chaîne d'intégration.

# après avoir forké depuis l'interface GitHub
git clone https://github.com/<votre-utilisateur>/Docker-MLOps-Course.git
cd Docker-MLOps-Course

Le dépôt propose une branche par chapitre, chapitre-01 à chapitre-08, contenant l'état du projet au début du chapitre concerné. Si un exercice vous résiste, repartez de la branche suivante sans rester bloqué.

git checkout chapitre-02

Structure du projet

.
├── app/                  code de l'API (vous n'avez pas à le modifier)
│   ├── config.py         configuration par l'environnement
│   ├── embeddings.py     encodage de texte en vecteurs (fastembed, CPU)
│   ├── store.py          accès à la base vectorielle Qdrant
│   ├── digest.py         résumé via un modèle de langage (API compatible OpenAI)
│   └── main.py           l'application FastAPI et ses endpoints
├── data/
│   └── articles.json     ~200 articles fictifs (corpus de démonstration)
├── tests/                tests d'intégration, exécutés à travers le réseau
├── pyproject.toml        dépendances du projet
└── uv.lock               versions figées, pour des builds reproductibles

Les fichiers Docker (Dockerfile, compose.yaml, workflow CI) n'existent pas au début : c'est vous qui les écrirez, à partir du chapitre 5.

Note sur le corpus

Le corpus data/articles.json est un jeu de fixtures : il accompagne l'application comme donnée de démonstration et voyage avec l'image. C'est acceptable parce qu'il est petit et stable. Un vrai jeu de données, volumineux et évolutif, n'aurait pas sa place dans l'image : il vivrait dans un volume ou un stockage objet, comme le cours l'explique au chapitre sur la persistance.

Pour le régénérer :

python scripts/gen_articles.py