Tout le monde en parle, mais suffit-il de mettre Ops à la fin d’un mot pour résoudre tous les problèmes de déploiement, maintenance et orchestration d’un modèle en production ?
Avoir un logiciel en production, c’est-à-dire disponible pour les utilisateurs, implique que travaillent de concert les développeur (dev) d’une part et les administrateurs en charge des opérations informatiques (ops) d’autre part. C’est l’enjeu de ce que l’on appelle le DevOps.
Si l’on veut que les utilisateurs profitent le plus rapidement possible des dernières évolutions, on met en place une intégration continue (CI/CD en anglais signifie Continous Integration/Continuous Delivery).
Un mot que l’on entend souvent, c’est MLOps. On peut résumer ça au DevOps version Machine Learning.
Concrètement, développer un modèle dans un notebook, c’est bien… mais personne ne l’utilisera ! Il faut le mettre en production. Et là, si l’on veut que l’utilisateur ait un outil de prédiction accessible, précis et robuste, on retrouve tous les enjeux du DevOps et de l’intégration continue… et plus encore.
- Est-ce que l’algorithme est maintenable, c’est-à-dire que quelqu’un qui ne l’a pas codé peut le corriger ou le faire évoluer… sans tout casser ?
- Est-ce bien le cas aussi pour l’ingestion, la vérification et la transformation des données en entrée ?
- Que faire si les données évoluent au cours du temps ?
- Comment garder trace des différents tests effectués pour construire le modèle ?
- Comment monitorer la dérive (drift) des résultats au cours du temps ? Et que faire alors ? Réentraîner ? Changer de modèle ? Retravailler les données ?
- Comment automatiser tout ça sans que cela ne devienne une « usine à gaz » ?
Le MLOps n’est pas un logiciel, une plateforme ou un langage. C’est un ensemble de pratiques pour résoudre ces problèmes. Le MLOps est assez récent, il y a beaucoup d’offres et d’outils qui sortent et pas encore de standard établi.
Chez EURODECISION, l’Intelligence Artificielle ne se limite pas au Machine ou au Deep Learning : nous avons plus de 30 ans d’expérience en Recherche Opérationnelle et nos livrables utilisent de nombreux type de modèles, allant de la programmation mathématique aux systèmes à base de règles, en passant par les heuristiques ou l’apprentissage par renforcement. Dans tous ces cas, les problématiques de développement, d’intégration, de validation, de déploiement et de maintenance des algorithmes sont similaires.
C’est pourquoi nous préférons parler d’AIOps ou ModelOps…
… et nous n’oublions jamais que chaque cas est spécifique. Nos clients start-up n’ont pas les mêmes besoins que les grands comptes que nous accompagnons.
Et vous, quel terme correspond le mieux à vos problématiques ?