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
- Cadrage. Définition du besoin, de la mesure de réussite et des données disponibles.
- Préparation des données. Collecte, nettoyage, construction des variables d’entrée.
- Expérimentation. Entraînement de plusieurs candidats, comparaison des résultats.
- Validation. Tests de performance, de robustesse et d’équité sur des données que le modèle n’a pas vues.
- Déploiement. Exposition en temps réel ou exécution par lots, souvent de manière progressive, sur une fraction du trafic.
- Supervision. Suivi technique du service, suivi des données d’entrée et suivi de la justesse des prédictions.
- 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.