Personnalisez cette formation

Obtenir un certificat — 34,29 $12 $

MLOps et déploiement de modèles : les fondamentaux

MLOps et déploiement de modèles : les fondamentaux

Faire passer un modèle de machine learning du notebook à la production : suivre les expériences, versionner données et modèles, les packager et les servir, automatiser la CI/CD, surveiller la dérive et documenter.

Ce que vous allez apprendre

  • Décrire le cycle de vie ML et les trois niveaux de maturité MLOps, et expliquer pourquoi les modèles échouent en production.
  • Suivre les expériences et rendre un entraînement reproductible grâce aux paramètres, métriques, version du code et environnement figé.
  • Versionner données et modèles, et utiliser un registre de modèles avec alias et traçabilité pour promouvoir un modèle en sécurité.
  • Packager un modèle avec sa signature et un environnement figé, et choisir entre service par lots et temps réel et une stratégie de déploiement.
  • Concevoir un pipeline CI/CD pour le ML avec contrôles de données, tests de modèle, seuils de qualité et retour arrière automatisé.
  • Surveiller un modèle déployé (dérive, performance) et décider quand et comment le réentraîner, avec un feature store pour éviter le décalage.
  • Documenter les modèles et les exploiter sous gouvernance : fiches modèle, piste d’audit, contrôle d’accès, procédures d’incident et obligations réglementaires.

Modules

  1. Du notebook à la production
  2. Suivi des expériences et reproductibilité
  3. Versionner données et modèles
  4. Packager et servir les modèles
  5. CI/CD et pipelines pour le ML
  6. Surveillance, dérive et réentraînement
  7. Gouvernance, documentation et mise en production

Fiche de la formation

Durée d’étude estimée
environ 60 minutes
Évaluation finale
42 questions · Seuil de réussite 80%
Disponible en
English, Français, العربية
Prix
Gratuit. Certificat vérifiable en option : 19 $
Dernière mise à jour
Publié par
AMAADOR ACADEMY

À qui s’adresse cette formation

Data scientists, ingénieurs ML et logiciel, data engineers, équipes DevOps et responsables techniques qui doivent exploiter des modèles en production. Utile aussi aux analystes qui évoluent vers un rôle MLOps.

Prérequis

Bases de Python, de Git et de la ligne de commande, et une première idée de l’entraînement et de l’évaluation d’un modèle. Aucun compte cloud n’est nécessaire.

Contenu de la formation

1. Du notebook à la production

Un modèle dans un notebook est un prototype. Un modèle en production est un service : il tourne tous les jours, sur des données fraîches, pour de vrais utilisateurs, et quelqu’un doit répondre quand il tombe en panne. Le MLOps (machine learning operations) regroupe les pratiques qui rendent cela fiable en appliquant les idées du DevOps au code, aux données et aux modèles ensemble.

Le cycle de vie ML est une boucle, pas une ligne droite : la surveillance alimente le prochain entraînement.

Dans leur article connu sur la dette technique cachée des systèmes ML, Sculley et ses collègues (Google, NeurIPS 2015) observent que le code du modèle n’est qu’une petite case dans un système bien plus vaste : collecte des données, extraction des features, configuration, service, surveillance. La plupart des problèmes de production viennent de ce système environnant, pas de l’algorithme.

Raisons typiques d’échec après la mise en production :

  • Les données changent. Les clients, les capteurs ou les prix évoluent et l’entrée ne ressemble plus au jeu d’entraînement.
  • Décalage entraînement-service (skew). Les features sont calculées d’une façon à l’entraînement et d’une autre en production.
  • Pas de reproductibilité. Personne ne sait reconstruire le modèle en ligne.
  • Pas de surveillance. Ce sont les clients qui découvrent les erreurs, des semaines plus tard.

2. Suivi des expériences et reproductibilité

La data science procède par essais et erreurs. Sans trace, impossible de dire quelle exécution était la meilleure ni pourquoi. Un outil de suivi d’expériences enregistre, pour chaque exécution, ce que vous avez changé et ce qui s’est passé. MLflow Tracking est l’une des options open source les plus répandues ; Weights & Biases, Neptune et les plateformes cloud offrent des fonctions voisines.

MLflow organise le travail en expériences (un projet ou une question) et en runs (une tentative d’entraînement). En Python, les appels de base sont :

  1. mlflow.set_experiment("churn") — choisir où les runs sont stockés.
  2. mlflow.start_run() — ouvrir un run, en général dans un bloc with.
  3. mlflow.log_param("max_depth", 6) — enregistrer un réglage d’entrée.
  4. mlflow.log_metric("auc", 0.91) — enregistrer un résultat, éventuellement par étape.
  5. mlflow.log_artifact("confusion.png") — joindre un fichier, comme un graphique ou un rapport.

Appeler mlflow.autolog() avant l’entraînement journalise automatiquement paramètres, métriques et modèle pour les bibliothèques courantes (scikit-learn, XGBoost, PyTorch Lightning). Lancez l’interface avec mlflow ui pour trier et comparer les runs. En équipe, utilisez un serveur de suivi partagé avec base de données et stockage d’artefacts plutôt que des dossiers locaux.

3. Versionner données et modèles

Git est conçu pour de petits fichiers texte. Les jeux de données et fichiers de modèles sont volumineux et binaires : Git seul les suit mal. DVC (Data Version Control) résout ce problème : il garde un petit pointeur texte dans Git et stocke les vraies données dans un remote (S3, Azure Blob, Google Cloud Storage, SSH ou disque partagé).

  1. dvc init — activer DVC dans un dépôt Git.
  2. dvc add data/raw.csv — DVC crée data/raw.csv.dvc (un pointeur avec un hash du contenu) et ajoute le fichier de données au .gitignore.
  3. git add data/raw.csv.dvc .gitignore puis commit — la version des données est liée à un commit de code.
  4. dvc remote add -d storage s3://bucket/path puis dvc push — envoyer les données.
  5. dvc pull — sur une autre machine, après git checkout, récupérer les données correspondantes.

DVC peut aussi décrire un pipeline dans un fichier dvc.yaml : chaque étape indique sa commande, ses dépendances (code, données, paramètres) et ses sorties. La commande dvc repro ne relance que les étapes dont les entrées ont changé, et dvc exp run gère les expériences. Les paramètres sont dans params.yaml et dvc metrics diff compare les résultats entre commits.

4. Packager et servir les modèles

Un objet modèle entraîné n’est pas encore déployable. Un package regroupe le modèle et tout ce qu’il faut pour l’exécuter : les poids sérialisés, le prétraitement, les entrées et sorties attendues et l’environnement logiciel. MLflow Models le fait avec un flavor de modèle (scikit-learn, PyTorch, XGBoost ou le flavor générique python_function), une signature et une liste de dépendances, le tout stocké avec le modèle.

La signature déclare les noms et types des colonnes que le modèle attend et renvoie. On la crée avec infer_signature(X_train, predictions) et on la passe lors de l’enregistrement du modèle. Le service peut alors rejeter une requête à colonne manquante avant qu’elle n’atteigne le modèle.

FormatRemarques
pickle / joblibPratique en Python, mais charger un fichier de source non fiable peut exécuter du code. Ne chargez que des fichiers que vous avez produits
ONNXNeutre vis-à-vis des frameworks ; s’exécute avec ONNX Runtime dans de nombreux langages
safetensorsStockage de poids sûr et rapide pour le deep learning
MLflow ModelDossier avec modèle, signature et fichiers d’environnement

5. CI/CD et pipelines pour le ML

En développement classique, l’intégration continue (CI) lance des tests à chaque modification. En ML, une modification peut être du code, de nouvelles données ou un nouveau modèle : la CI doit tester les trois. Un service de CI comme GitHub Actions, GitLab CI ou Jenkins exécute les contrôles automatiquement à chaque pull request, et la fusion est bloquée en cas d’échec.

QuoiExemples de contrôlesOutils
CodeTests unitaires des fonctions de features, lint, vérification des typespytest, ruff, mypy
DonnéesSchéma, types, plages de valeurs, taux de valeurs nulles, doublons, nombre de lignesGreat Expectations, pandera, TensorFlow Data Validation
ModèleMétrique au moins égale à la référence, aucun segment sous un plancher, prédiction sur exemples fixes, budget de latencepytest avec MLflow, scripts maison
PackageL’image se construit, se charge et prédit dans un conteneur propre ; analyse des dépendancesDocker, pip-audit, Trivy

Trois tests de modèle attrapent beaucoup d’erreurs à faible coût :

  • Seuil de qualité — faire échouer le build si la métrique de validation passe sous celle du champion actuel de plus d’une marge fixée.
  • Tests par segments — contrôler la métrique pour chaque groupe important (région, appareil, clients nouveaux ou anciens), car une moyenne peut cacher un groupe en échec.
  • Tests de comportement — une prédiction ne doit pas changer quand un détail sans importance change (invariance), et doit varier dans le bon sens quand une entrée clé change (test directionnel).

6. Surveillance, dérive et réentraînement

Un modèle déployé n’est jamais terminé. Le monde change, donc la qualité se dégrade. La surveillance répond à : le service est-il en bonne santé, l’entrée est-elle encore normale, les sorties sont-elles raisonnables et, quand la vérité arrive, les prédictions sont-elles encore justes ?

CoucheExemples de signauxRapidité
SystèmeLatence p95, erreurs, CPU, mémoire, longueur de fileSecondes
Qualité des donnéesValeurs manquantes, nouvelles catégories, valeurs hors plage, changements de schémaMinutes à heures
Dérive des données et des prédictionsDistributions des entrées et sorties comparées à une fenêtre de référenceHeures à jours
Qualité du modèleExactitude, AUC, erreur face aux résultats réelsRetardée par l’arrivée des étiquettes
MétierConversion, taux de perte, réclamationsJours à semaines

Distinguez les types de changement :

  • Dérive des données (covariate shift) — les entrées changent, par exemple un nouveau segment de clientèle.
  • Dérive de concept — la relation entre entrées et cible change, par exemple l’évolution des techniques de fraude.
  • Décalage entraînement-service (skew) — les features de production sont calculées autrement qu’à l’entraînement.

7. Gouvernance, documentation et mise en production

Dès qu’un modèle touche des clients, de l’argent ou la sécurité, on vous demandera : à quoi sert-il, comment a-t-il été construit, quelle est sa performance et pour qui, et qui est responsable ? La gouvernance, c’est avoir des réponses écrites et faciles à retrouver.

Une fiche modèle (model card, Mitchell et al., 2019) est un court document qui accompagne le modèle. Les datasheets for datasets (Gebru et al.) font de même pour les données.

Section de la ficheContenu
Usage prévuÀ quoi il sert, et ce pour quoi il ne doit pas être utilisé
DonnéesSources, période, lacunes connues, traitement des données personnelles
PerformanceMétriques globales et par segment, avec le jeu de test nommé
Limites et risquesModes de défaillance connus, résultats sur les biais, comportement de repli
ExploitationVersion, responsable, surveillance, plan de réentraînement, retour arrière

Tenez une piste d’audit : qui a entraîné, approuvé et promu chaque version, sur quelles données, et quelle version a produit quelle prédiction. Journalisez les prédictions avec la version du modèle et un identifiant de requête, dans le respect de vos règles de confidentialité. Utilisez un contrôle d’accès par rôles pour que tout le monde ne puisse pas modifier les alias de production ni lire les données personnelles brutes.

La leçon complète se poursuit dans la formation interactive de cette page.

Sources et références

Formation pédagogique sur les pratiques d’ingénierie. Les outils et leurs versions évoluent vite : consultez la documentation officielle de chaque outil avant de l’adopter. Les points réglementaires (règlement européen sur l’IA, RGPD, loi marocaine 09-08) sont une vue d’ensemble, pas un conseil juridique. Interrogez votre service juridique ou conformité sur vos obligations.

Toutes les formations · IA & données — Formations gratuites, certificat à partir de 7 $