MLOps : principes, mise en œuvre et pratique

Aucun outil ne couvre seul tout le cycle de vie d’un modèle, de l’expérimentation à la surveillance en production. L’offre s’organise en trois familles, et le bon choix dépend souvent moins des fonctionnalités que de l’endroit où se trouvent déjà les données, les compétences et le budget de l’organisation.

L’open source : MLflow et Kubeflow

MLflow a été présenté par Databricks le 5 juin 2018, en version alpha, avec trois briques : le suivi des expériences (tracking), le packaging du code (projects) et un format commun pour les modèles (models) ; un registre des modèles est venu ensuite. Le suivi des expériences tient en quelques lignes :

import mlflow
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_absolute_error

mlflow.set_experiment("prevision-ventes")
for profondeur in [4, 8, 16]:
    with mlflow.start_run():
        modele = RandomForestRegressor(max_depth=profondeur, random_state=0).fit(X_train, y_train)
        mlflow.log_param("max_depth", profondeur)
        mlflow.log_metric("mae", mean_absolute_error(y_test, modele.predict(X_test)))

mlflow.search_runs()   # un tableau : une ligne par essai, avec paramètres et métriques

Chaque essai est conservé avec ses paramètres et ses résultats, et l’interface web (mlflow ui) permet de les comparer : on sait, des mois plus tard, comment a été obtenu le modèle retenu.

Kubeflow, lancé par Google fin 2017, s’adresse aux organisations qui exploitent déjà Kubernetes : il y orchestre les pipelines d’entraînement et le service des modèles. Entré en 2023 à la Cloud Native Computing Foundation, il en est devenu un projet « diplômé » en août 2026, signe de maturité. Il est aussi plus lourd à installer et à administrer.

Les éditeurs : des plateformes intégrées

Les plateformes comme Dataiku, fondée à Paris en 2013, réunissent dans une même interface la préparation des données, l’entraînement, le déploiement et la surveillance, avec une gouvernance (droits, validations, traçabilité) adaptée aux équipes mixtes de data scientists et d’analystes. La contrepartie est la dépendance à un fournisseur. La fermeture du service hébergé de neptune.ai en mars 2026, après son rachat par OpenAI, l’a rappelé : avant de choisir, vérifier comment exporter ses expériences et ses modèles dans des formats ouverts.

Les clouds : l’infrastructure fournie

Amazon SageMaker (novembre 2017), Azure Machine Learning et Google Vertex AI (2021) fournissent l’infrastructure à la demande, GPU compris, au plus près des données déjà stockées chez le même fournisseur. Les frontières entre familles s’estompent : plusieurs de ces services proposent un MLflow géré, ce qui permet de garder le même code de suivi. Côté R, le package vetiver, de Posit, versionne, déploie et surveille des modèles R comme Python.

Pourquoi le modèle n’est qu’une petite partie d’un système de machine learning, et ce qui dérive après la mise en production : voir le bloc de la formation Python expert — Machine learning engineer.