MLOps / LLMOps
Ensemble de pratiques et d’outils qui industrialisent le cycle de vie des modèles d’IA, du développement au déploiement, puis à la surveillance et à la mise à jour en production.
Exemple
Une banque met en place une chaîne MLOps qui réentraîne chaque mois son modèle de détection de fraude et alerte l’équipe si ses performances baissent.
Notions liées
API (interface de programmation)
DébutantInterface qui permet à un logiciel d’utiliser les fonctions ou les données d’un autre selon des règles définies, par exemple pour envoyer un prompt à un modèle d’IA et recevoir sa réponse.
Évals (évaluation de modèles)
IntermédiaireEnsemble de tests conçus pour mesurer de façon systématique la qualité, la fiabilité et la sécurité des réponses d’un modèle ou d’une application d’IA sur des tâches précises.
Fine-tuning (affinage)
IntermédiaireTechnique qui poursuit l’entraînement d’un modèle déjà pré-entraîné sur un jeu de données plus restreint, afin de modifier ses poids et de l’adapter à une tâche, un domaine ou un style.
Gouvernance de l’IA
IntermédiaireEnsemble des règles, rôles, processus et contrôles qu’une organisation met en place pour encadrer le choix, le déploiement et l’usage de l’intelligence artificielle.
Machine learning (apprentissage automatique)
DébutantBranche de l’intelligence artificielle dans laquelle un programme apprend à accomplir une tâche à partir d’exemples, au lieu de suivre des règles entièrement écrites par un développeur.
Orchestration (d’agents / de LLM)
IntermédiaireCouche logicielle qui coordonne les appels à un ou plusieurs modèles, outils et agents : ordre des étapes, transmission des données, gestion des erreurs, reprises et journalisation.