Un système de scoring du risque de crédit en production pour un établissement financier
Un système de machine learning de bout en bout qui évalue le risque de crédit pour un établissement financier suisse, livré comme une API serverless conteneurisée et reproductible, avec CI/CD automatisée, et non comme un simple modèle.
Le problème
L'établissement devait prédire le risque de défaut de crédit de façon fiable, mais exigeait bien plus qu'un modèle dans un notebook : un système aligné sur le métier, reproductible pour les auditeurs, et déployable comme un véritable service sur lequel s'appuyer.
Le système en un coup d'œil
Données
EDA, sélection de variables, rééquilibrage SMOTE
Modèle
Réglé et comparé, XGBoost retenu
API
Docker et FastAPI, testés avec pytest
Livraison
CI/CD avec GitHub Actions
Serverless
AWS Lambda derrière un domaine Route 53
Approche
En collaboration avec les data engineers, data scientists et analystes métier pour garder le travail aligné sur les objectifs de l'entreprise, j'ai conçu un pipeline ML complet en traitant l'évaluation et la reproductibilité comme des exigences de premier plan.
- EDA → sélection de variables → rééquilibrage SMOTE → optimisation
- Optimisation des hyperparamètres avec RandomizedSearchCV
- Comparaison de XGBoost, Random Forest et régression logistique
- XGBoost retenu comme modèle le plus performant
Architecture
Le modèle optimisé a été empaqueté dans une application Docker + FastAPI testée automatiquement, offrant un service d'inférence portable et reproductible au comportement identique d'un environnement à l'autre.
- Service d'inférence Docker + FastAPI
- Tests automatisés avec pytest et curl
- Pipeline versionné et reproductible
Déploiement
Le service a été déployé comme une API serverless sur AWS Lambda, sécurisée derrière un domaine dédié via Route 53, avec des workflows CI/CD bâtis sur Docker et GitHub Actions pour des livraisons automatisées et reproductibles.
- API serverless sur AWS Lambda
- Domaine dédié sécurisé via Route 53
- CI/CD avec Docker + GitHub Actions
Valeur métier
L'établissement a reçu une solution de scoring du risque de crédit scalable et reproductible, qu'il peut maintenir et faire évoluer, les pratiques MLOps modernes garantissant que le modèle peut être redéployé et validé en toute sûreté dans le temps, plutôt que de devenir un artefact impossible à maintenir.
Enseignements
Sur des données de crédit déséquilibrées, un rééquilibrage rigoureux (SMOTE) et des métriques honnêtes comptent plus que la course à un score spectaculaire.
Empaqueter le modèle en API conteneurisée et testée, c'est ce qui transforme un bon modèle en actif métier fiable.
Le déploiement serverless a maintenu la solution peu coûteuse à opérer et adaptée à l'échelle du client.