MLOps : définition et rôle dans les projets Machine Learning
Construire un modèle de Machine Learning et exploiter durablement une solution sont deux problématiques différentes. Le MLOps s’intéresse aux pratiques permettant de mieux organiser le cycle de vie des systèmes de Machine Learning, notamment autour de leur mise en œuvre et de leur exploitation. Le Bachelor CAFP × EIESTP comprend une introduction au MLOps dans son bloc consacré à l’industrialisation et au déploiement IA.
Construire un modèle de Machine Learning et exploiter durablement une solution sont deux problématiques différentes. Le MLOps s’intéresse aux pratiques permettant de mieux organiser le cycle de vie des systèmes de Machine Learning, notamment autour de leur mise en œuvre et de leur exploitation. Le Bachelor CAFP × EIESTP comprend une introduction au MLOps dans son bloc consacré à l’industrialisation et au déploiement IA.
Que signifie MLOps ?
Le terme associe généralement :
Machine Learning + Operations.
Il désigne un ensemble de pratiques visant à rapprocher le développement des modèles et les problématiques liées à leur exploitation.
Pourquoi le MLOps existe-t-il ?
Un modèle peut fonctionner pendant une phase de développement sans que cela suffise à en faire une solution exploitable.
Lorsqu’un système passe vers un usage réel, d’autres questions apparaissent autour de son déploiement, de son fonctionnement et de son cycle de vie.
Quel lien avec le Machine Learning ?
Le Machine Learning concerne notamment la construction et l’évaluation des modèles.
Le MLOps intervient davantage dans la continuité opérationnelle de ces systèmes.
Quel lien avec le déploiement ?
Le déploiement constitue naturellement une étape importante lorsque l’on passe d’un modèle développé à une solution utilisable.
C’est pourquoi le programme place l’introduction au MLOps dans le même bloc que le déploiement des modèles.
Quel lien avec les API ?
Les API peuvent participer à l’intégration d’un modèle dans une architecture applicative.
MLOps, API et déploiement sont donc trois notions distinctes mais complémentaires dans le dernier volet technique du Bachelor.
Le Bachelor forme-t-il des experts MLOps ?
Le programme public annonce une introduction au MLOps.
Il ne faut donc pas transformer cette mention en promesse d’expertise avancée ou de spécialisation complète MLOps.
Quels outils MLOps sont utilisés ?
La page publique ne les précise pas.
Nous ne devons donc pas annoncer officiellement des technologies cloud, conteneurs, orchestration ou plateformes MLOps particulières.
Où intervient le MLOps dans la progression ?
La logique globale du programme peut être représentée ainsi :
Data → Machine Learning → Deep Learning → NLP → IA générative → RAG/agents → recommandation → déploiement/MLOps → projet intégrateur.
Le MLOps arrive donc vers la fin de la progression technique.
Pourquoi cette introduction est-elle intéressante ?
Elle permet à l’étudiant de comprendre qu’un projet Machine Learning ne s’arrête pas nécessairement à l’entraînement et à l’évaluation du modèle.
Il existe également une dimension liée à l’utilisation et à l’exploitation de la solution.
FAQ — Intelligence Artificielle & Science des Données
Le MLOps est-il au programme ?
Oui, sous forme d’introduction.
Est-ce une spécialisation MLOps complète ?
Le programme public ne la présente pas ainsi.
Le déploiement est-il étudié dans le même bloc ?
Oui.
Les API sont-elles également abordées ?
Oui.
Quels outils MLOps sont utilisés ?
La page publique ne les précise pas.
Consultez la page principale de cette filière pour retrouver la durée, les conditions d’admission et les informations de préinscription.