Machine Learning Operations (MLOps)

Les Opérations d'Apprentissage Automatique (MLOps) constituent un ensemble de pratiques, de principes et de technologies qui rationalisent le processus consistant à faire passer des modèles d'apprentissage automatique (ML) du développement expérimental au déploiement en production fiable. En combinant la nature exploratoire de la science des données avec la discipline rigoureuse du DevOps, MLOps vise à unifier le cycle de publication pour les applications d'Intelligence Artificielle (IA). Alors que le développement logiciel traditionnel se concentre principalement sur le versionnage du code, MLOps introduit les complexités supplémentaires de la gestion de données à grande échelle et de l'évolution des comportements des modèles. Cette approche holistique garantit que les systèmes d'IA restent évolutifs, précis et gouvernés tout au long de leur cycle de vie.

Link to this sectionLes piliers du MLOps#

Les implémentations MLOps réussies reposent sur la réduction de l'écart entre trois disciplines distinctes : l'ingénierie des données, l'apprentissage automatique et le DevOps.

• Intégration et Livraison Continues (CI/CD) : Tout comme les logiciels standard utilisent des pipelines CI/CD pour automatiser les tests et le déploiement, les pipelines MLOps automatisent l'entraînement et la validation des modèles. Cela garantit que les modifications apportées au code ou aux données déclenchent automatiquement des étapes pour vérifier les performances du modèle avant que les mises à jour n'atteignent la production.
• Versionnage des données et des modèles : Dans le codage traditionnel, tu versionnes uniquement le code source. En MLOps, les équipes doivent utiliser des outils comme DVC (Data Version Control) pour suivre les modifications dans les données d'entraînement parallèlement aux hyperparamètres du modèle. Cela garantit la reproductibilité, permettant aux ingénieurs de recréer n'importe quelle version spécifique de modèle à partir de l'historique.
• Surveillance continue : Une fois déployés, les modèles peuvent se dégrader en raison de la dérive de concept, où les propriétés statistiques de la variable cible changent avec le temps. MLOps implique la mise en place de systèmes d'observabilité pour suivre des métriques comme la latence d'inférence et la précision, alertant automatiquement les équipes lorsqu'un réentraînement est nécessaire.

Link to this sectionApplications concrètes#

MLOps est la colonne vertébrale de l'IA d'entreprise moderne, permettant aux entreprises de passer de manière fiable d'un seul modèle à des milliers de points de terminaison déployés.

1. Maintenance prédictive dans la fabrication : Les usines utilisent la vision par ordinateur pour identifier les défauts sur les chaînes de montage. Un pipeline MLOps garantit qu'à mesure que de nouvelles gammes de produits sont introduites, les modèles de détection d'objets sont réentraînés avec de nouvelles images, versionnés et déployés automatiquement sur les appareils de périphérie (edge) de l'usine sans interruption. Cela garantit que l'inspection de la qualité reste cohérente même lorsque les conditions de fabrication changent.

2. Gestion intelligente des stocks en magasin : Les détaillants déploient des caméras pour suivre les stocks en rayon. Comme l'éclairage des magasins et l'emballage des produits changent fréquemment, la dérive du modèle est un risque constant. Les systèmes MLOps surveillent les scores de confiance ; si la confiance chute, le système signale les images pour annotation et initie un cycle de réentraînement sur le cloud, poussant un modèle mis à jour vers les magasins pour maintenir une gestion automatisée des stocks.

Link to this sectionImplémenter MLOps avec Ultralytics#

Une étape critique dans tout flux de travail MLOps est le suivi des expériences. Cela garantit que chaque exécution d'entraînement est enregistrée avec sa configuration spécifique, permettant aux équipes de reproduire les résultats ou de revenir aux versions précédentes si nécessaire.

L'exemple suivant démontre comment entraîner un modèle YOLO26 — le dernier modèle à la pointe de la technologie d'Ultralytics recommandé pour tous les nouveaux projets — tout en activant le suivi de projet. Cela crée naturellement les artefacts requis pour un pipeline de production.

from ultralytics import YOLO

# Load the YOLO26 model (recommended for superior speed and accuracy)
model = YOLO("yolo26n.pt")

# Train the model while specifying project and name for organized logging
# This creates a structured directory of artifacts (weights, charts, args)
# which is essential for reproducibility in MLOps pipelines.
results = model.train(data="coco8.yaml", epochs=10, project="mlops_experiments", name="run_v1")

By organizing training runs into specific projects, teams can easily integrate tools like MLflow or TensorBoard to visualize performance metrics over time. As organizations scale, they often migrate these workflows to the Ultralytics Platform, which provides a unified interface for managing datasets, training remotely, and deploying models to various formats like TensorRT for optimized inference speed.

Link to this sectionMLOps vs. concepts connexes#

Pour mettre en œuvre ces pratiques efficacement, il est important de distinguer MLOps des termes connexes dans l'écosystème.

• MLOps vs. DevOps : DevOps se concentre sur la livraison continue d'applications logicielles. MLOps étend ces principes en ajoutant « Données » et « Modèle » comme citoyens de première classe. En DevOps, un changement de code déclenche une construction ; en MLOps, un changement dans les distributions de données ou une baisse de la précision peut également déclencher une nouvelle exécution de pipeline.
• MLOps vs. Service de modèles (Model Serving) : Le service de modèles fait référence spécifiquement à l'infrastructure utilisée pour héberger un modèle et traiter les requêtes d'inférence. MLOps est le parapluie plus large qui englobe le service, mais inclut également les phases d'entraînement, de gouvernance et de surveillance.
• MLOps vs. AutoML : L'Apprentissage Automatique Automatisé (AutoML) se concentre sur l'automatisation du processus de création de modèle (par exemple, la sélection d'algorithmes). MLOps gère le cycle de vie de ce modèle après qu'il a été créé et opérationnalise le pipeline qui exécute les outils AutoML.