Aller au contenu
Cabinet d'expertise en transformation technologique · ARDIANE Group Innover, sécuriser, réussir

Lexique

MLOps : définition, cycle de vie et différences avec DevOps

Domaines

Data · Intelligence artificielle

L'essentiel

Le MLOps (machine learning operations) est l'ensemble des pratiques, des rôles et des outils qui permettent de mettre des modèles d'apprentissage automatique en production et de les y maintenir de façon fiable. Il étend les principes du DevOps à deux objets que le logiciel classique ne connaît pas : les données et le modèle entraîné.

Sommaire de la page

Définition du MLOps

Le MLOps, contraction de machine learning et d’operations, désigne l’ensemble des pratiques, des rôles et des outils qui permettent de mettre des modèles d’apprentissage automatique en production, puis de les y maintenir de façon fiable.

La définition du MLOps prolonge celle du DevOps : automatiser, versionner, tester, surveiller. Elle y ajoute ce qui est propre aux modèles. Leur comportement dépend des données autant que du code, et il se dégrade avec le temps même lorsque rien n’a été modifié.

À quoi sert le MLOps

Un modèle qui donne de bons résultats dans un carnet d’expérimentation n’est pas encore un service. Entre les deux se trouvent des questions que l’expérimentation n’a pas eu à traiter. Peut-on reconstruire ce modèle à l’identique ? Qui le déploie, et comment revenir en arrière ? Comment savoir s’il se trompe davantage qu’au premier jour ? Que se passe-t-il si son auteur change de poste ?

Le MLOps apporte des réponses industrielles à ces questions. Il sert quatre objectifs : la reproductibilité des entraînements, la rapidité et la sûreté des mises en production, la maîtrise de la qualité dans la durée, et la traçabilité. Cette dernière consiste à pouvoir dire quelles données, quel code et quelle version de modèle ont produit une prédiction donnée.

Le cycle de vie d’un modèle

  1. Cadrage. Définition du besoin, de la mesure de réussite et des données disponibles.
  2. Préparation des données. Collecte, nettoyage, construction des variables d’entrée.
  3. Expérimentation. Entraînement de plusieurs candidats, comparaison des résultats.
  4. Validation. Tests de performance, de robustesse et d’équité sur des données que le modèle n’a pas vues.
  5. Déploiement. Exposition en temps réel ou exécution par lots, souvent de manière progressive, sur une fraction du trafic.
  6. Supervision. Suivi technique du service, suivi des données d’entrée et suivi de la justesse des prédictions.
  7. Réentraînement ou retrait. Mise à jour du modèle lorsque sa performance baisse, arrêt lorsqu’il n’est plus utile.

Ce cycle est une boucle. L’étape de supervision alimente le réentraînement, et un modèle en service repasse régulièrement par la validation.

Les briques d’une chaîne MLOps

  • Le suivi d’expériences enregistre les paramètres, les données et les résultats de chaque entraînement.
  • Le registre de modèles stocke les versions validées, leur statut et leur historique.
  • Le magasin de variables (feature store) met à disposition les mêmes variables pour l’entraînement et pour la production.
  • Les pipelines orchestrés enchaînent préparation, entraînement, validation et déploiement sans intervention manuelle.
  • La supervision déclenche des alertes en cas de dérive des données ou de baisse de performance.

Toutes ne sont pas nécessaires d’emblée. Le niveau d’automatisation se règle sur le nombre de modèles en service et sur la fréquence de leurs mises à jour. Les données d’entraînement peuvent provenir de la plateforme data de l’organisation, par exemple un lakehouse.

MLOps, DevOps, LLMOps : ne pas confondre

Le DevOps traite du code. Une version donnée du code produit toujours le même comportement, et les tests le vérifient avant la mise en production.

Le MLOps traite trois objets : le code, les données et le modèle entraîné. Chacun se versionne. Les tests sont en partie statistiques, puisqu’il faut juger une performance et non une exactitude binaire. La supervision porte aussi sur la dérive, c’est-à-dire l’écart croissant entre les données d’entraînement et celles de la production. Le déploiement continu se double d’un entraînement continu.

Le LLMOps transpose ces principes aux applications bâties sur un grand modèle de langage (LLM). Lorsque le modèle est fourni par un tiers, l’organisation ne l’entraîne pas. Les objets à versionner deviennent les consignes, la configuration de la recherche documentaire et les jeux d’évaluation. L’évaluation est plus délicate, car la sortie est un texte libre. S’y ajoutent le suivi du coût par jeton et la gestion des changements de version décidés par le fournisseur du modèle.

Un exemple concret : la dérive d’un modèle de prévision

Prenons une enseigne qui prévoit ses ventes par magasin à l’aide d’un modèle entraîné sur son historique. L’enseigne modifie sa politique de prix et renouvelle une partie de son assortiment. Le modèle continue de fonctionner sans erreur technique, mais ses prévisions s’éloignent peu à peu des ventes réelles.

Sans MLOps, ce sont les approvisionneurs qui s’en aperçoivent, tardivement, en constatant des ruptures et des surstocks. Avec une chaîne MLOps, la supervision compare en continu les prévisions aux ventes et détecte le changement dans les données d’entrée. Une alerte déclenche un réentraînement sur des données récentes. Le nouveau modèle est comparé à l’ancien avant d’être promu, et l’ancien reste disponible pour un retour arrière.

Pour l’industrialisation de vos modèles, consultez notre page consacrée au MLOps et à la mise en production des modèles.

Insights

À lire sur le sujet

Tous les insights
Fine-tuning LLM : faut-il ajuster le modèle, ou s'en tenir au prompt et au RAG ?

Le fine-tuning d'un LLM poursuit l'entraînement d'un modèle de langage existant sur des exemples choisis pour en modifier durablement le comportement : un format, un registre, une tâche étroite. Il n'apporte ni connaissances à jour ni sources vérifiables : Management Square donne ici les critères qui justifient un ajustement et les cas où la consigne ou le RAG suffisent.

Lire l'analyse
Différence entre IA et IA générative : quand retenir un modèle prédictif, quand retenir un modèle génératif

La différence entre IA et IA générative tient à ce que le système produit : l'IA désigne le domaine entier, dont les modèles prédictifs qui estiment une valeur ou classent un cas, alors que l'IA générative, qui en est une branche, produit un contenu nouveau. Management Square compare ici les deux familles et indique dans quelles situations chacune est le bon choix.

Lire l'analyse
Méthodes de test de qualité des données : ce que chaque famille détecte, et ce qu'elle laisse passer

Les méthodes de test de qualité des données sont des vérifications automatisées qui comparent un jeu de données à une attente explicite : schéma, complétude, unicité, fraîcheur, cohérence entre sources, volumétrie et distribution. Chacune détecte un type de défaut et en laisse passer d'autres : Management Square compare ici ces familles de tests et leur place dans les chaînes d'alimentation.

Lire l'analyse

FAQ

Questions fréquentes

Une autre question ? Posez-la-nous

Que signifie MLOps ?

MLOps est la contraction de machine learning et d'operations. Le terme désigne les pratiques et les outils qui organisent le cycle de vie des modèles d'apprentissage automatique : préparation des données, entraînement, validation, déploiement, supervision en production et réentraînement.

Quelle est la différence entre MLOps et DevOps ?

Le DevOps gère du code, dont le comportement est stable tant qu'il n'est pas modifié. Le MLOps gère en plus des données et des modèles entraînés, qu'il faut versionner et valider statistiquement. Un modèle peut se dégrader en production sans aucun changement de code, ce qui impose une supervision propre.

Quelle est la différence entre MLOps et LLMOps ?

Le LLMOps applique les mêmes principes aux applications fondées sur de grands modèles de langage. Le modèle y est en général fourni par un tiers et non entraîné en interne. Les objets à gérer changent : consignes, configuration de la recherche documentaire, jeux d'évaluation, coût par jeton et garde-fous.

Qu'est-ce que la dérive d'un modèle ?

La dérive désigne l'écart qui se creuse entre les données sur lesquelles un modèle a été entraîné et celles qu'il rencontre en production, ou entre ses prédictions et la réalité. Elle dégrade la performance sans provoquer de panne visible, d'où la nécessité de la mesurer en continu.

Un projet à faire aboutir ?

Un premier échange suffit pour situer votre enjeu, identifier les bons interlocuteurs et vous dire franchement ce que nous pouvons apporter.