MLOps et industrialisation des modèles IA

Mission

Choisir un problème métier de votre domaine d’intérêt, formaliser une cible prédictive utile, puis transformer une expérimentation reproductible en service exploitable, observable et réversible. La valeur attendue porte sur la maîtrise du cycle de vie et des preuves produites, pas sur la complexité ou la nouveauté du modèle.

Compétences évaluées

• traduire un besoin métier en objectif ML, critères de succès, contraintes et risques explicites ;
• construire une chaîne reproductible reliant données, code, paramètres, métriques et artefacts ;
• mettre en place des contrôles de qualité des données et du modèle, une quality gate et des décisions d’acceptation explicables ;
• enregistrer, servir, versionner et faire évoluer un modèle dans un cadre contrôlé ;
• instrumenter le service, suivre ses performances, détecter une dérive et transformer les signaux en décisions opérationnelles ;
• organiser le feedback, la réversibilité et l’amélioration continue du système ;
• communiquer des résultats vérifiables à l’écrit, à l’oral et par une démonstration maîtrisée.

Cadrage et contraintes

• le cas métier est libre, mais il doit être formulé en une décision prédictive concrète avec un utilisateur ou processus bénéficiaire identifié ;
• privilégier une donnée tabulaire publique, synthétique ou anonymisée, de taille raisonnable et accompagnée d’un dictionnaire de données ;
• retenir un modèle entraînable localement en quelques minutes, par exemple régression logistique, arbre, random forest, gradient boosting ou régression ; aucun deep learning ni LLM n’est requis ;
• utiliser un jeu de données et un protocole d’évaluation définis avant l’entraînement final, sans fuite entre entraînement et test ;
• conserver une architecture proportionnée : Docker et les outils du parcours sont attendus, mais Kubernetes, cloud payant et infrastructure distribuée sont hors périmètre ;
• toute décision importante doit être appuyée par une preuve versionnée : test, rapport, capture, métrique ou journal de décision.

Livrables attendus

1. un dépôt Git reproductible avec README, arborescence expliquée, instructions d’installation et commande unique de démarrage ou de pipeline ;
2. une chaîne de données et d’expérimentation documentant les sources, le schéma, les paramètres, les métriques, les artefacts et les empreintes utiles ;
3. des contrôles automatisés de qualité et de validation, une quality gate et une décision d’acceptation ou de rejet justifiée sur un cas nominal et un cas d’échec ;
4. un service de prédiction exploitable avec contrat d’API, tests, registre ou mécanisme de versionnement, packaging reproductible, CI et stratégie de mise en production ;
5. un dispositif d’observabilité avec métriques de service et de modèle, scénarios stable et dégradé, seuils d’alerte et décisions associées ;
6. une boucle de gestion du cycle de vie avec feedback exploitable, action de suivi, stratégie de promotion et preuve de rollback ou de non-promotion ;
7. un rapport final et un dossier de preuves permettant de relier chaque exigence à un fichier, une commande, un résultat ou une capture.

Soutenance

• soutenance en groupe de trois : 15 minutes de présentation et démonstration, puis 10 minutes de questions ;
• présenter d’abord le besoin métier et le compromis choisi, puis le cycle de vie MLOps mis en œuvre et les décisions prises ;
• exécuter une démonstration nominale et au moins un échec contrôlé : données invalides, qualité insuffisante, dérive, refus de promotion ou rollback ;
• chaque étudiant présente une partie identifiable et doit pouvoir expliquer les choix techniques, les limites et les preuves du projet ;
• remettre les supports avant la soutenance et signaler explicitement toute fonctionnalité simulée, limitée ou non réalisée.

Barème indicatif