Contexte
La MAIF a ouvert son Datalab à la fin de l’année 2017 pour mener à bien des projets de DataScience et d’innovation. Le Datalab a voulu mettre l’accent sur la production et l’industrialisation de ses travaux, afin de tirer une réelle valeur de ses projets et éviter l’écueil du « Shadow IT » dans les entités qu’elle doit servir.
Saegus a ainsi été sollicité pour cadrer et réaliser ces processus de mise en production et d’industrialisation, mais aussi pour accompagner et acculturer les entités utilisatrices à ces nouvelles méthodes.
Nous avons ainsi pu travailler d’une manière macro en définissant les process, les normes et bonnes pratiques, mais aussi à des niveaux projets, plus micro, où nous avons développé et réalisé les mises en production de modèles prédictifs et de flux de transformation de données.
Réalisations
Pour répondre à ce type de problématique, nous avons réalisé les actions suivantes :
Création d’un cadre de référence technique (sélection et recommandation d’assemblages technologiques en fonction des uses cases) ;
Mise en place des normes et bonnes pratiques de développement pour les Data Engineers et Data Scientists ;
Création de Starter Kit pour les différentes technologies (Starter Pyspark, Starter Python, Starter API prédictive …) ;
Coaching des Data Scientist sur les projets pour leur appropriation de ces nouvelles normes ;
Déploiement d’un environnement et des pratiques « Data Ops » sur tous les projets Data ;
Acculturation et adoption des nouveaux processus aux différentes entités ;
Utilisation de Git dans les projets.
Bénéfices
Processus de mise en production
Meilleure gestion des versions (Git)
Cycles de vies raccourcis (intégration et déploiement continus)
Rapidité au démarrage des projets grâce aux Starter Kits
Retrouvez l’ensemble du business case avec des informations complémentaires en le téléchargeant : télécharger
Découvrez l’intégralité des expertises de nos experts Data sur médium !