Qu'est-ce que MLOps ?

TL; DR #

Les opérations d'apprentissage automatique (MLOps) regroupent les pratiques permettant de déployer un modèle d'apprentissage automatique, de l'expérimentation à la production, et d'en assurer la fiabilité par la suite. Elles combinent l'automatisation DevOps avec des aspects que ce dernier n'a jamais eu à gérer : le versionnage des données, l'entraînement des modèles, un registre de modèles et la surveillance des dérives. Les MLOps garantissent la reproductibilité des modèles en vue de leur déploiement. La sécurité des MLOps assure la fiabilité des systèmes déployés et de leurs dépendances.

Qu'est-ce que MLOps? #

Un modèle qui fonctionne dans un nonebook Ce n'est pas un produit. Cela le devient lorsqu'il peut être réentraîné sur de nouvelles données, déployé sans intervention manuelle, restauré en cas de dysfonctionnement et expliqué lorsqu'un auditeur demande son origine.

C’est dans cette lacune que la plupart des projets d’apprentissage automatique s’enlisent. L’article de Google, largement cité, Dette technique cachée dans les systèmes d'apprentissage automatique L'étude a montré que le code du modèle ne représente qu'une petite partie d'un véritable système d'apprentissage automatique. Le reste consiste en la collecte de données, l'extraction de caractéristiques, la configuration, l'infrastructure de déploiement et la surveillance, et c'est là que la dette technique s'accumule.

Le MLOps est la discipline qui gère le reste. Il applique les principes du DevOps (automatisation, contrôle de version, livraison continue, responsabilité partagée) à un système où le comportement dépend autant des données que du code. Ainsi, une équipe qui se demande ce qu'est le MLOps cherche en réalité à savoir comment rendre les modèles exploitables par l'organisation, et non pas seulement configurables. Qu’est-ce que la sécurité IA ?

La distinction essentielle : en informatique, un même code produit le même comportement. En apprentissage automatique, un même code entraîné sur des données différentes produit un modèle différent. Le MLOps existe car les données constituent une seconde source de changement.

Définition de MLOps : ce que recouvre réellement ce terme #

La signification du terme MLOps varie selon les fournisseurs ; il est donc utile d’en définir les limites. Ce terme couvre cinq domaines :

• Gestion de données. Gestion des versions des jeux de données, validation de leur qualité et suivi des données utilisées pour entraîner chaque modèle.
• Expérimentation et formation. Suivi des expériences, des paramètres et des résultats afin qu'un modèle puisse être reproduit, et pas seulement mémorisé.
• Registre des modèles. Un seul enregistrement pour chaque version de modèle, son historique, son évaluation et son statut d'homologation.
• Livraison et service. Chaînes de vente pipelinedes modèles qui permettent de les empaqueter, de les tester et de les déployer sur des points de terminaison d'inférence, y compris l'entraînement continu lors de l'arrivée de nouvelles données.
• Surveillance. Surveiller les modèles de production pour détecter toute dérive des données, toute dérive conceptuelle et toute baisse de performance, et déclencher un réentraînement lorsqu'ils se dégradent.

Ce qu'il ne couvre pas à lui seul : la sécurité des composants d'un modèle pipeline C’est là que la sécurité MLOps, et les termes connexes ci-dessous, entrent en jeu.

Pourquoi le MLOps est devenu une discipline à part entière #

Car les modèles se dégradent, contrairement au code. Une fonction correctement écrite reste correcte. Un modèle anti-fraude entraîné sur les transactions de l'année précédente cesse progressivement de correspondre au comportement de cette année, sans qu'une seule ligne de code ne soit modifiée. Sans surveillance ni réentraînement, sa précision se dégrade silencieusement.

L'échelle l'a rendu inévitable. Un modèle peut être géré manuellement. Des dizaines de modèles, chacun réentraîné selon son propre calendrier, chacun dépendant de ses propres ensembles de données, frameworks et poids pré-entraînés, ne le peuvent pas. MLOps a transformé ce travail en pipelines.

Puis la chaîne d'approvisionnement est entrée en jeu. Le ML moderne part rarement de zéro. Les équipes téléchargent des modèles pré-entraînés depuis des plateformes publiques, s'appuient sur de grands frameworks open source et les affinent à l'aide de données tierces. Chaque élément est un composant produit par quelqu'un d'autre. Certains formats de sérialisation de modèles peuvent exécuter du code lors du chargement d'un fichier, ce qui signifie que télécharger un modèle peut présenter le même risque que d'installer un logiciel non fiable. Qu'est-ce que l'empoisonnement des données ?

Architecture de référence de Google Cloud, MLOps : Livraison continue et automatisation pipelines dans l'apprentissage automatique, décrit la maturité en trois niveaux : processus manuels (niveau 0), formation automatisée pipelines (niveau 1) et automatisé CI/CD du système pipelines elles-mêmes (niveau 2). La plupart des organisations se situent entre les deux premiers.

Une pratique MLOps mature répond automatiquement à toutes les questions du tableau. Une pratique soucieuse de la sécurité ajoute une sixième question à chaque étape : de quoi dépendait cette étape, et serions-nous avertis en cas de changement ? Y répondre nécessite un inventaire d’IA externe à toute solution unique. pipeline.

Qu'est-ce que le MLOps n'est pas ? Termes voisins #

Le projet OWASP GenAI Security a publié le Top 10 des applications LLM 2026 en août 2026, et c'est le cThese sont utilisés de manière interchangeable, ce qui brouille les discussions sur les outils et la propriété.

• Gouvernance de l'IA définit les règles de politique, de responsabilité et de conformité que MLOps pipelinepuis appliquer. → Qu’est-ce que la gouvernance de l’IA ?
• DevOps L'automatisation de la livraison de logiciels est complétée par l'ajout de données, d'entraînement et de surveillance des modèles, plutôt que remplacée.
• Opérations de données se concentre sur les données pipelineeux-mêmes : qualité, fraîcheur et livraison des données aux utilisateurs d'analyses et d'apprentissage automatique.
• ModèleOps Il s'agit de la gouvernance plus large de tous les modèles analytiques et d'IA en production, y compris les modèles basés sur des règles et d'optimisation, et pas seulement l'apprentissage automatique.
• LLMOps Adapte MLOps aux grands modèles de langage : gestion des invites, récupération pipelines, évaluation de la production générée et contrôle des coûts.
• MLSecOps intègre la sécurité dans le cycle de vie du ML : provenance des modèles, pipeline Intégrité, risques de dépendance et menaces adverses : il s’agit de la couche de sécurité du MLOps, et non d’un processus concurrent.

Ce sont des niveaux, pas des concurrents. Une organisation qui exécute du MLOps sans sécurité MLOps a automatisé sa livraison. pipeline sans vérifier ce qui y circule.

Cadres qui façonnent la signification du risque dans le MLOps #

Évaluez un framework en fonction de son statut de publication, et non de son aspect apparemment actuel.

En matière de documentation, le cadre d'analyse honnête est restreint. Les obligations de documentation technique prévues par la loi européenne sur l'IA pour les systèmes à haut risque et celles prévues par la loi sur la cyber-résilience SBOM Les obligations créent de véritables exigences en matière de preuves. Un inventaire et une nomenclature des IA permettent de les satisfaire. Aucune des deux réglementations ne mentionne de nomenclature des IA et aucune n'impose d'outil MLOps particulier.

De la définition au programme #

Comprendre la signification de la lignée des modèles en MLOps ne revient pas à savoir quels modèles, ensembles de données et frameworks sont réellement intégrés à vos propres référentiels.

Cet écart se réduit de façon prévisible. Découvrez toutes les ressources d'IA à votre disposition. pipelineLes données dépendent de plusieurs éléments, y compris ceux qui n'ont pas été enregistrés. Cartographiez leurs connexions afin de savoir quel ensemble de données alimente quel modèle et quel point de terminaison le fournit. Exportez ensuite cet enregistrement sous forme de nomenclature AI-BOM utilisable par les auditeurs, les clients et votre équipe de réponse aux incidents.

Sécurité IA Xygeni Ce système construit cet enregistrement à partir de votre code. Il maintient un inventaire continu de vos modèles, frameworks d'IA, jeux de données, points d'inférence, agents et autres éléments de votre empreinte IA, avec un score de risque, un fournisseur, un type et l'emplacement exact dans le code pour chaque ressource. Le graphique d'IA indique quel jeu de données alimente quel modèle et où se concentrent les risques. Une nomenclature d'IA (AI-BOM) lisible par machine est exportée à partir de cette même découverte. Votre MLOps pipeline Xygeni continue de proposer des maquettes ; Xygeni vous explique de quoi elles sont faites. Pour les concepts sous-jacents, voir Qu'est-ce qu'une nomenclature IA ? et Qu'est-ce qu'un inventaire IA ?

Planifier démo pour consulter votre propre inventaire d'IA et votre nomenclature d'IA.

QFP #