Machine Learning Operations (MLOps)

Les opérations de machine learning (MLOps) regroupent un ensemble de pratiques, de principes et de technologies qui rationalisent le processus permettant de faire passer les modèles d’apprentissage automatique (ML) du développement expérimental au déploiement fiable en production. En combinant la nature exploratoire de la science des données avec la rigueur de DevOps, les MLOps visent à unifier le cycle de mise en production des applications d’intelligence artificielle (AI). Alors que le développement logiciel traditionnel se concentre principalement sur le versionnage du code, les MLOps ajoutent les complexités liées à la gestion de données à grande échelle et à l’évolution du comportement des modèles. Cette approche holistique garantit que les systèmes d’AI restent évolutifs, précis et gouvernés tout au long de leur cycle de vie.

Les piliers des MLOps#

La réussite des mises en œuvre de MLOps repose sur la réduction du fossé entre trois disciplines distinctes : l’ingénierie des données, le machine learning et le DevOps.

• Intégration et livraison continues (CI/CD) : Tout comme les logiciels classiques utilisent des pipelines de CI/CD pour automatiser les tests et le déploiement, les pipelines de MLOps automatisent l’entraînement et la validation des modèles. Cela garantit que les modifications du code ou des données déclenchent automatiquement les étapes nécessaires pour vérifier les performances du modèle avant que les mises à jour n’atteignent la production.
• Versionnage des données et des modèles : Dans le développement traditionnel, tu ne versions que le code source. En MLOps, les équipes doivent utiliser des outils comme DVC (contrôle de version des données) pour suivre les modifications des données d’entraînement en parallèle des hyperparamètres du modèle. Cela garantit la reproductibilité, permettant aux ingénieurs de recréer n’importe quelle version précise d’un modèle à partir de l’historique.
• Surveillance continue : Une fois déployés, les modèles peuvent se dégrader en raison de la dérive des concepts, lorsque les propriétés statistiques de la variable cible évoluent au fil du temps. Les MLOps impliquent la mise en place de systèmes d’observabilité pour suivre des métriques comme la latence d’inférence et la précision, en alertant automatiquement les équipes lorsqu’un réentraînement est nécessaire.

Applications concrètes#

Les MLOps constituent la colonne vertébrale de l’AI moderne en entreprise, permettant aux entreprises de passer de manière fiable d’un seul modèle à des milliers de points de terminaison déployés.

1. Maintenance prédictive dans l’industrie manufacturière : Les usines utilisent la vision par ordinateur pour identifier les défauts sur les chaînes d’assemblage. Un pipeline de MLOps garantit que, lors de l’introduction de nouvelles lignes de produits, les modèles de détection d’objets sont réentraînés avec de nouvelles images, versionnés et déployés automatiquement sur les appareils edge des usines, sans interruption. Cela garantit que l’inspection qualité reste cohérente même lorsque les conditions de fabrication changent.

2. Gestion intelligente des stocks dans le commerce de détail : Les commerçants 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 représente un risque constant. Les systèmes de MLOps surveillent les scores de confiance ; si la confiance diminue, le système signale les images à annoter et lance un cycle de réentraînement dans le cloud, puis déploie un modèle mis à jour dans les magasins afin de maintenir une gestion automatisée des stocks.

Mettre en œuvre les MLOps avec Ultralytics#

Une étape essentielle de tout workflow de MLOps est le suivi des expériences. Cela garantit que chaque exécution d’entraînement est journalisée avec sa configuration spécifique, permettant aux équipes de reproduire les résultats ou de revenir à des versions précédentes si nécessaire.

L’exemple suivant montre comment entraîner un modèle YOLO26 — le dernier modèle de pointe d’Ultralytics, recommandé pour tous les nouveaux projets — tout en activant le suivi du projet. Cela crée naturellement les artefacts nécessaires à 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")

En organisant les exécutions d’entraînement par projets spécifiques, les équipes peuvent facilement intégrer des outils comme MLflow ou TensorBoard pour visualiser l’évolution des métriques de performance au fil du temps. À mesure que les organisations se développent, elles migrent souvent ces workflows vers l’Ultralytics Platform, qui fournit une interface unifiée pour gérer les jeux de données, entraîner des modèles à distance et les déployer dans différents formats, comme TensorRT, afin d’optimiser la vitesse d’inférence.

Les MLOps et les concepts associés#

Pour mettre en œuvre efficacement ces pratiques, il est important de distinguer les MLOps des termes associés dans cet écosystème.

• MLOps et DevOps : DevOps se concentre sur la livraison continue des applications logicielles. Les MLOps étendent ces principes en ajoutant les « données » et les « modèles » comme éléments de premier ordre. Dans DevOps, une modification du code déclenche une compilation ; en MLOps, une modification de la distribution des données ou une baisse de la précision peut également déclencher une nouvelle exécution du pipeline.
• MLOps et mise à disposition des modèles : La mise à disposition des modèles désigne spécifiquement l’infrastructure utilisée pour héberger un modèle et traiter les requêtes d’inférence. Les MLOps constituent une approche plus large qui englobe la mise à disposition, mais aussi les phases d’entraînement, de gouvernance et de surveillance.
• MLOps et AutoML : L’apprentissage automatique automatisé (AutoML) se concentre sur l’automatisation du processus de création des modèles, par exemple la sélection des algorithmes. Les MLOps gèrent le cycle de vie de ce modèle après sa création et rendent opérationnel le pipeline qui exécute les outils d’AutoML.