MLOps (Machine Learning Operations)

Le MLOps (Machine Learning Operations) est l'application des principes DevOps au cycle de vie des modèles de machine learning : versioning des données et modèles, automatisation des pipelines d'entraînement, déploiement reproductible, monitoring de performance et de drift en production, gouvernance et conformité. C'est ce qui sépare un modèle qui marche en notebook d'un modèle qui sert des millions de prédictions par seconde en production.

Les composants typiques d'une stack MLOps : (1) versioning — Git pour le code, DVC ou LakeFS pour les données, MLflow Model Registry ou Weights & Biases pour les modèles ; (2) feature store — Feast, Tecton, AWS SageMaker Feature Store ; (3) orchestration de pipelines — Kubeflow Pipelines, Apache Airflow, Argo Workflows, Prefect ; (4) experiment tracking — MLflow, W&B, Comet ; (5) déploiement — KServe, Seldon, BentoML, SageMaker Endpoints, Vertex AI ; (6) monitoring — Evidently, Arize, WhyLabs, Fiddler.

Les problématiques spécifiques : drift de données (la distribution change), drift de concept (la relation X→y change), shadow deployment, A/B testing de modèles, ré-entraînement automatique, fairness et explicabilité. Compétences centrales pour PMLE, MLA, AI-102.