# MLOps (Machine Learning Operations)

> Ensemble de pratiques visant à déployer et maintenir de manière fiable et efficace les modèles de ML en production.

- Page ZoneIA : https://zoneia.fr/glossaire/mlops-machine-learning-operations
- Type : Définition du glossaire IA
- Catégories : [Code & Développement](https://zoneia.fr/outils/categorie/code-developpement-ia), [Analyse de Données & Data](https://zoneia.fr/outils/categorie/analyse-donnees-data)
- Publié le : 2026-03-04
- Mis à jour le : 2026-05-22

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.

---

Source : ZoneIA, annuaire francophone des outils IA (https://zoneia.fr/glossaire/mlops-machine-learning-operations)