Le MLOps applique les pratiques DevOps au machine learning : versionner, suivre, déployer et surveiller les modèles pour passer du notebook à la production fiable.
Points clés
- Comprendre pourquoi le MLOps existe
- Suivre expériences et versionner avec MLflow et DVC
- Déployer et surveiller un modèle
Comprendre pourquoi le MLOps existe
Expliquez le problème : un modèle qui marche en notebook échoue souvent en production faute de reproductibilité, de suivi et de surveillance. Le MLOps répond à ces enjeux en industrialisant le cycle de vie du modèle. Présentez les piliers : versionnement des données et du code, suivi des expériences, déploiement et monitoring. C'est le pont entre l'expérimentation du data scientist et un service fiable et maintenable.
Suivre expériences et versionner avec MLflow et DVC
Faites pratiquer le suivi d'expériences avec MLflow : enregistrer paramètres, métriques et modèles pour comparer les itérations et garantir la reproductibilité. Introduisez DVC pour versionner données et modèles aux côtés du code dans Git. Montrez le registre de modèles pour gérer les versions et les stades (staging, production). Ces outils résolvent le casse-tête du quel modèle a donné ce résultat. Ils sont au cœur du métier.
Déployer et surveiller un modèle
Présentez les modes de déploiement : exposition d'un modèle via une API (FastAPI), conteneurisation avec Docker. Abordez la surveillance en production : dérive des données (data drift), dérive du modèle, et le besoin de réentraînement périodique. Un modèle se dégrade avec le temps car le monde change. Ce suivi post-déploiement, souvent oublié, est ce qui distingue un projet ML durable d'un prototype.
En pratique
Scénario. Sur deux jours (12h), les apprenants reprennent un modèle scikit-learn et l'industrialisent : suivi des expériences avec MLflow, versionnement des données avec DVC, exposition via une API FastAPI conteneurisée avec Docker, et mise en place d'un contrôle de dérive. Livrable : un dépôt MLOps complet avec expériences tracées, modèle déployé en API et documentation du cycle de vie.
Questions fréquentes
Le MLOps est-il réservé aux grandes entreprises ?
Non, même un petit projet bénéficie du suivi d'expériences et du versionnement. MLflow et DVC sont gratuits et s'utilisent dès le premier modèle pour gagner en rigueur.
Pourquoi surveiller un modèle après déploiement ?
Parce que les données réelles évoluent et que les performances se dégradent avec le temps (dérive). Sans surveillance, un modèle peut devenir silencieusement inutile voire nuisible.
Pour aller plus loin
Pour approfondir : Aborder l ethique des donnees · Aborder l ia generative d images. Et le reste de nos ressources pour les écoles, OF et formateurs.
Besoin d'un formateur expert ou envie de transmettre ?
tonformateur connecte les écoles et organismes de formation avec des intervenants experts du terrain.
Voir les cours à pourvoir Explorer l'annuaire d'outils →