MLOps (Machine Learning Operations)
Ensemble de pratiques visant à déployer et maintenir de manière fiable et efficace les modèles de ML en production.
Le MLOps regroupe des méthodes, outils et processus inspirés du DevOps pour industrialiser le cycle de vie des modèles de machine learning. L’objectif est de passer d’un prototype en notebook à un service fiable, surveillé et réutilisable, sans dépendre d’actions manuelles.
Comment ça fonctionne
Le MLOps couvre toute la chaîne : gestion des données (versioning, qualité), entraînement reproductible (pipelines), suivi d’expériences (métriques, hyperparamètres), empaquetage et déploiement (API, batch, edge), puis supervision en production. Une particularité du ML est que le « code » dépend des données : il faut donc gérer la dérive (data drift, concept drift) et la performance réelle du modèle dans le temps.
À quoi ça sert
- Fiabiliser les mises en production (tests, validation, CI/CD).
- Accélérer les itérations (automatisation, réentraînement).
- Assurer la traçabilité (qui a entraîné quoi, avec quelles données).
- Gérer les risques (monitoring, alerting, rollback, conformité).
Exemples concrets
Déploiement progressif (canary, A/B testing) d’un modèle de recommandation, réentraînement planifié d’un modèle de fraude, ou détection automatique de dérive sur les données d’entrée avec déclenchement d’un pipeline de recalibration.