MLOps : Définition et Intérêt du Machine Learning Operations

MLOps est l’acronyme de Machine Learning Operations. La définition de MLOps en fait un ensemble de pratiques et d’outils qui relèvent du domaine de l’IA (l’Intelligence Artificielle). Si on décompose l’acronyme, on obtient :

• ML pour Machine Learning
• Ops pour Operations

Machine Learning Operations peut se traduire en français par “opérations d’apprentissage automatique” ou encore par “opérations d’apprentissage des machines”. Alors oui, les traductions françaises de MLOps sont peu reluisantes (c’est le moins qu’on puisse dire !). Elles ne sont donc quasiment jamais utilisées.

On note toutefois l’idée que c’est l’étude de l’IA (les “machines”) qui compte. La faculté d’auto-apprentissage se trouve bel et bien au cœur de la notion de MLOps.

Voyez le MLOps comme l’adaptation des méthodologies agiles au monde de la donnée, du Big Data. Pour rappel, les méthodes agiles visent à injecter de la réactivité dans les processus d’une entreprise en capitalisant sur ce qu’on apprend au jour le jour. Ainsi, un produit peut se voir ajouter une nouvelle fonctionnalité avant même sa sortie si on a su identifier à temps le besoin auquel il répond.

Pour revenir au Machine Learning Operations, il s’agit d’un domaine assez nouveau. Car l’utilisation de l’IA est elle-même plutôt récente (une petite dizaine d’années maintenant). Aujourd’hui, l’intelligence artificielle est partout dans notre quotidien, même si on ne la voit pas directement : algorithmes de Google, bots des Centres de Contacts, logiciels de traduction, machines de calcul des risques financiers, CRM…

Sans rentrer ici dans des considérations techniques propres à la Data Science, le MLOps sert à exploiter pleinement le « machine learning ». C’est-à-dire la capacité de l’IA à apprendre sans cesse, à l’image de l’intelligence humaine. Les robots, bots et autres machines sont ici considérés comme des outils qui évoluent en permanence afin de prendre en compte toujours plus d’éléments d’information (la data).

Nous vous simplifions les étapes d’un processus de Machine Learning Operations :

• Création : préparation des modèles à utiliser pour collecter, traiter et tester les données à exploiter.

• Gestion : les modèles sont ensuite placés dans un référentiel (tel qu’un Référentiel Client Unique par exemple).

• Déploiement : intégration des modèles MLOps à des systèmes et applications de production.

• Surveillance : dès que les données évoluent, les modèles sont ajustés afin d’exploiter pleinement la data (le robot “apprend” et “évolue”).

Vous avez remarqué que MLOps fait penser au mot DevOps ? C’est normal. Machine Learning Operations s’inspire très clairement de cette discipline moderne qui consiste à créer, déployer et exécuter efficacement des applications d’entreprise.

Le DevOps a été créé il y a plus de 10 ans pour faciliter la collaboration entre les développeurs de logiciels (les “Devs”) et les équipes d’exploitation sur le terrain (les “Ops”). Depuis, le métier de DevOps a clairement le vent en poupe. L’objectif des DevOps et du MLOps est le même : faire un trait d’union entre les technologies, les processus et les utilisateurs finaux.

Les outils et pratiques de Machine Learning Operations servent avant tout à augmenter la productivité de l’entreprise. Voici comment : en rendant exploitables un maximum de projets grâce à la data. En effet, le MLOps permet d’optimiser chaque mise en production, en facilitant la transition entre le mode concept et le projet réel. Il surveille et actualise en continu le procédé à suivre en fonction des nouvelles données. On parle de stratégie “data-driven”.

Concrètement, le MLOps consiste à utiliser des logiciels toujours plus puissants pour traiter efficacement les données. Ces outils doivent répondre à un processus transversal et itératif afin de traiter sans cesse de nouvelles informations et de faire évoluer les conclusions. En tant qu’outil de pointe au service des données clients, la Customer Data Platform en est un parfait exemple.

Plus qu’une technologie particulière, le MLOps est surtout une culture à développer. Une culture qui capitalise sur la faculté d’apprendre et d’évoluer des robots pour nous aider à utiliser au mieux les informations qui nous entourent. Autrement dit, le Machine Learning Operations nous rappelle l’importance de bien exploiter la Data et de ne jamais nous reposer sur nos lauriers. Il y a toujours moyen d’améliorer, d’affiner et de remettre en question nos connaissances. Surtout lorsqu’il s’agit des connaissances clients !