2006 : Ingénieur MLOps au travail

Un ingénieur MLOps rend les systèmes d'apprentissage automatique fiables après le prototype. Les data scientists peuvent former un modèle dans un cahier ; l'ingénieur MLOps crée les pipelines reproductibles, les magasins de fonctionnalités, les environnements de déploiement, les chemins de surveillance et de restauration qui lui permettent de fonctionner en toute sécurité pour les utilisateurs réels. Le poste se situe entre la science des données, l’ingénierie logicielle, l’infrastructure cloud et la gestion des risques.

Ce rôle est apparu lorsque les entreprises ont découvert qu’un bon modèle hors ligne n’est pas la même chose qu’un produit utile. Les données changent, les codes changent, les coûts augmentent, un modèle peut se dégrader discrètement et une prédiction peut nécessiter une explication ou une révision. Les chercheurs de Google ont décrit cette accumulation de dépendances et de travaux de maintenance comme une « dette technique cachée » dans les systèmes d’apprentissage automatique en 2015 ; l’industrie a ensuite adopté MLOps comme raccourci pour gérer délibérément cette dette.

Le MLOps est bien payé car il nécessite de l'ampleur et parce que de nombreuses organisations tentent de déployer l'IA plus rapidement que leurs pratiques opérationnelles ne mûrissent. L’IA générative a accru la demande en matière d’évaluation, d’observabilité et de contrôle d’accès. Il automatise également certaines parties du travail (modèles de pipeline, configuration et diagnostics) afin que la compétence durable consiste à concevoir des systèmes fiables et à décider quelles preuves sont suffisantes pour faire confiance à un modèle.