Opérations d'apprentissage automatique (MLOps)

Machine Learning Operations (MLOps) représente l'intersection de l'apprentissage automatique, de l'ingénierie des données et des pratiques DevOps . Il s'agit d'un ensemble de processus et d'outils Il s'agit d'un ensemble de processus et d'outils standardisés conçus pour rationaliser le cycle de vie des modèles d'apprentissage automatique (ML). des modèles d'apprentissage machine (ML), les faisant passer de la de la recherche expérimentale à des systèmes de production évolutifs et fiables. Alors que le développement logiciel traditionnel s'appuie sur les principes du DevOps pour gérer les changements de code, MLOps ajoute deux dimensions dimensions critiques : les données et les modèles. Cette approche holistique garantit que l'intelligence artificielle (IA) artificielle (IA) restent précises et efficaces au fil du temps, en relevant des défis uniques tels que la dégradation des modèles et l'évolution de la distribution des données. distribution des données.

Principaux éléments du cycle de vie des MLOps

Un cadre MLOps robuste automatise le flux de travail de bout en bout, garantissant la reproductibilité et une mise sur le marché plus rapide. Le cycle de vie se compose généralement de plusieurs étapes intégrées :

• Gestion des données : Il s'agit de la collecte, du nettoyage et de la mise à jour des ensembles de données. Un prétraitement efficace des données garantit que les informations introduites dans le modèle sont de haute qualité et cohérentes. Les équipes utilisent souvent des outils tels que Apache Airflow pour orchestrer ces pipelines de données complexes.
• Développement de modèles : Les scientifiques des données s'engagent dans à la formation et à l'expérimentation de modèles. Cette étape comprend l 'ajustement des hyperparamètres afin d'optimiser performance. Le suivi des expériences à l'aide d'outils tels que MLflow est essentiel pour s'assurer que les modèles les plus performants peuvent être identifiés et reproduits. les modèles les plus performants puissent être identifiés et reproduits.
• Déploiement et mise en service : Une fois qu'un modèle est validé, il est déployé dans un environnement de production. déploiement du modèle dans un environnement de production. Cela implique souvent la conteneurisation à l'aide de Docker pour pour assurer la cohérence entre les différents environnements informatiques, ou l'exportation vers des formats interopérables tels que ONNX pour une compatibilité multiplateforme.
• Surveillance et maintenance : Après le déploiement, les systèmes doivent être observés pour détecter la dérive des données, lorsque les données réelles divergent des données de formation. La surveillance permet aux équipes de detect dégradation des performances et de déclencher automatiquement des cycles de recyclage. la dégradation des performances et de déclencher automatiquement des cycles de réentraînement.

MLOps et concepts connexes

Pour mettre en œuvre la bonne stratégie, il est essentiel de comprendre en quoi les MLOps diffèrent de termes similaires :

• MLOps vs. DevOps : Alors que DevOps se concentre sur la livraison continue du code logiciel, MLOps englobe le code, les données et les artefacts du modèle. de code logiciel, MLOps englobe le code, les données et les artefacts de modèle. Dans le cadre du MLOps, un "bogue" peut ne pas être un code cassé, mais plutôt une dégradation de l'exactitude due à un manque de précision. pas être un code cassé, mais plutôt une dégradation de la précision due à des facteurs environnementaux changeants.
• MLOps et Model Serving : Le service de modèle est un sous-ensemble spécifique de MLOps qui se concentre strictement sur l'infrastructure requise pour héberger un modèle et traiter les demandes d'inférence. strictement sur l'infrastructure requise pour héberger un modèle et traiter les demandes d'inférence. MLOps est l'ensemble plus large qui gère l'infrastructure de service ainsi que la formation et la gouvernance. plus large qui gère l'infrastructure de service ainsi que la formation et la gouvernance.
• MLOps vs. AutoML : Apprentissage automatique de la machine (AutoML) automatise la sélection du modèle et le processus de formation. MLOps gère le cycle de vie opérationnel du modèle après sa création. après sa création.

Applications concrètes

MLOps transforme les modèles théoriques en solutions commerciales pratiques dans divers secteurs d'activité.

1. Inventaire intelligent pour le commerce de détail : Un grand détaillant utilise YOLO11 pour la détection d'objets pour contrôler les stocks en rayon. Un pipeline MLOps met automatiquement à jour l'ensemble de données au fur et à mesure de l'ajout de nouveaux produits. Lorsque le système détecte que les que les scores de confiance tombent en dessous d'un seuil, il déclenche un pipeline de recyclage sur la plateformeUltralytics , valide le nouveau modèle et transmet la mise à jour à des milliers d'appareils périphériques sans interruption de service.
2. Maintenance prédictive dans l'industrie manufacturière : Les usines utilisent vision par ordinateur pour detect défauts dans les d'assemblage. Pour gérer la production à grande vitesse, les modèles sont optimisés pour une faible latence d'inférence à l'aide d'un logiciel de gestion de l'information. latence d'inférence à l'aide de TensorRT. MLOps garantit qu'au fur et à mesure que les tolérances de fabrication changent, les modèles sont mis à jour et contrôlés par version afin de maintenir une d'inspection de la qualité de qualité.

Mise en œuvre de MLOps avec Ultralytics

Une étape fondamentale de MLOps consiste à s'assurer que la formation des modèles est reproductible et enregistrée. Le code ci-dessous montre comment lancer une formation qui produit automatiquement des artefacts et des métriques versionnés, une exigence clé pour tout pipeline MLOps. MLOps.

from ultralytics import YOLO

# Load the YOLO11 model (recommended for state-of-the-art performance)
model = YOLO("yolo11n.pt")

# Train the model on a dataset
# This step generates logs, saves model weights, and records metrics
# essential for the experiment tracking phase of MLOps.
results = model.train(data="coco8.yaml", epochs=5, imgsz=640)

Au fur et à mesure que le domaine évolue, les architectures à venir comme YOLO26 sont conçues pour s'intégrer de manière encore plus transparente dans ces pipelines automatisés. s'intégrer de manière encore plus transparente dans ces pipelines automatisés, en offrant des capacités natives de bout en bout qui simplifient la transition entre la formation et le déploiement. de la formation au déploiement. MLOps reste l'épine dorsale qui permet à ces modèles avancés de fonctionner de manière fiable dans le monde réel. réel, en tirant parti de l'informatique en nuage ("cloud computing"). informatique en nuage et l'efficacité de l'IA.