FRENES

Glossaire · Déployer et héberger

MLOps

MLOps est un ensemble de pratiques pour développer, déployer et maintenir des systèmes d'apprentissage automatique de manière organisée. Il relie le travail sur les données et les modèles à leur exploitation quotidienne, avec des méthodes de suivi des versions, de validation, de surveillance et de gestion des changements.

MLOps : l'explication

Un système d'apprentissage automatique comprend davantage qu'un modèle. Il faut préparer les données, conserver les réglages, comparer les résultats et rendre le service utilisable. Les pratiques MLOps organisent ces étapes pour que l'équipe puisse retrouver ce qui a été utilisé et reproduire les opérations utiles. Elles peuvent inclure des tests automatisés, un registre des modèles et une procédure de déploiement. Le niveau d'automatisation varie selon la taille du projet et les conséquences possibles d'un changement sur les utilisateurs.

MLOps adapte des pratiques de développement et d'exploitation logicielle aux particularités de l'apprentissage automatique. Les données et les modèles peuvent évoluer même lorsque le code change peu. Il faut donc contrôler plusieurs éléments ensemble. La documentation https://docs.cloud.google.com/architecture/mlops-continuous-delivery-and-automation-pipelines-in-machine-learning présente notamment l'automatisation et la surveillance de ces systèmes. L'objectif pratique est de maintenir un service exploitable dans le temps, au-delà d'une démonstration réussie sur quelques exemples. Cela demande aussi une répartition claire des responsabilités et des procédures que l'équipe peut réellement appliquer.

Pour les applications fondées sur des modèles de langage, certaines pratiques se prolongent dans ce que l'on appelle parfois LLMOps. L'équipe suit alors aussi les consignes, les évaluations, les sources documentaires et les appels à des services externes. Toutes les organisations n'entraînent pas leurs propres modèles : utiliser une API ne supprime pas le besoin de gérer les changements. MLOps n'est ni un produit unique ni une garantie de qualité. Son intérêt dépend de pratiques adaptées aux risques et aux usages réels.

Un exemple concret

Votre organisation utilise un modèle pour orienter des demandes vers le bon service. Avant de remplacer la version en place, l'équipe compare la nouvelle sur des exemples représentatifs. Elle conserve les données d'évaluation, les réglages et les résultats. Le déploiement est progressif, avec une surveillance des erreurs et une possibilité de retour à la version précédente. Ces pratiques réduisent les changements difficiles à expliquer ou à corriger.

Pourquoi c'est important

Pour un utilisateur, MLOps concerne surtout la régularité et la maintenance du service. Un outil peut bien fonctionner pendant une démonstration puis se dégrader après une modification. Demandez comment les mises à jour sont évaluées, comment les incidents sont détectés et si un retour en arrière est possible. Le vocabulaire technique importe moins que l'existence de responsabilités et de procédures concrètes pour traiter les problèmes.

Idées reçues

  • MLOps ne consiste pas uniquement à entraîner des modèles plus rapidement, car ces pratiques concernent aussi les données, les versions, le déploiement, la surveillance et la maintenance du système pendant toute la période où il rend un service.
  • Mettre en place MLOps ne signifie pas automatiser chaque décision, puisque des validations humaines restent possibles et parfois nécessaires, tandis que le niveau d'automatisation doit correspondre aux contraintes du projet et aux conséquences d'une erreur pour les utilisateurs.

Autres termes : déployer et héberger

auto-hébergement
L’auto-hébergement consiste à faire fonctionner un logiciel sur une infrastructure que vous administrez ou dont vous contrôlez l’administration.
IA locale
L’IA locale est une intelligence artificielle dont les calculs sont exécutés sur votre appareil ou sur une infrastructure que votre organisation maîtrise.
observabilité des LLM
L'observabilité des LLM est l'ensemble des moyens qui permettent de comprendre le fonctionnement d'une application utilisant des modèles de langage à partir de ses traces et de ses mesures.
API compatible OpenAI
Une API compatible OpenAI est une interface de programmation qui reprend tout ou partie des formats d'échange d'une API OpenAI pour permettre à des logiciels existants de l'utiliser.

Où le site en parle

Le terme apparaît dans 52 pages du site. Quelques-unes :

Pour aller plus loin

Questions fréquentes

Faut-il entraîner son propre modèle ?

Non. Une application utilisant un modèle externe doit aussi gérer ses versions, ses évaluations et ses changements. Les pratiques pertinentes diffèrent de celles d'un projet d'entraînement, mais le besoin d'organiser la maintenance et le suivi reste présent.

Quelle différence avec DevOps ?

DevOps rapproche le développement logiciel et son exploitation. MLOps applique des principes comparables en ajoutant la gestion des données, des expériences et des modèles. Ces éléments demandent des contrôles spécifiques, car leur évolution peut modifier le comportement du système.

Est-ce utile pour un petit projet ?

Oui, avec un niveau de complexité adapté. Conserver les versions, utiliser quelques évaluations représentatives et prévoir un retour en arrière peuvent déjà aider. Il n'est pas nécessaire de construire une infrastructure lourde pour appliquer ces principes de base.

Neutralité. Aucun lien d'affiliation. Aucun éditeur ne paie pour être évalué, noté ou classé. Les évaluations sont dirigées par François Chollet, neutres et factuelles, et chaque donnée est datée et sourcée. Comment nous notons