Glossaire

Pipeline de machine learning

Qu’est-ce que Pipeline de machine learning ?

Un pipeline de machine learning est une suite d’étapes définie qui transforme des données brutes en modèle exploitable : collecte et nettoyage des données, préparation des variables, entraînement, évaluation, mise en production et surveillance. L’automatisation rend les résultats reproductibles et permet de traiter de nouvelles données sans grand effort. Un distributeur peut par exemple réentraîner et tester chaque semaine son modèle de prévision des ventes avec les derniers chiffres.

Thèmes

MLOps
automatisation
traitement des données

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Nettoyage des données

Le nettoyage des données consiste à repérer et corriger les entrées erronées, en double ou incohérentes d'un jeu de données. Les étapes typiques : harmoniser l'orthographe et les formats de date, supprimer les espaces superflus et fusionner les doublons comme « Dupont SARL » et « Dupont S.A.R.L. ». Des données propres sont la condition d'analyses, de mailings et d'applications d'IA fiables.

qualité des données
doublons
+1

Modèle

Ingénierie et extraction de caractéristiques

L’ingénierie des caractéristiques (feature engineering) consiste à sélectionner, transformer et créer des variables à partir de données brutes pour qu’un algorithme d’apprentissage repère mieux les régularités. L’extraction de caractéristiques tire des valeurs compactes et parlantes de données complexes comme des textes, des images ou des signaux. Exemple : à partir des achats individuels, on crée des variables comme « jours depuis le dernier achat » ou « panier moyen », qui améliorent nettement une prévision d’attrition.

Apprentissage automatique
Préparation des données
+1

MLflow

MLflow est une plateforme open source de gestion du cycle de vie complet des modèles de machine learning, présentée à l’origine par Databricks en 2018. Elle enregistre les expériences avec leurs paramètres et métriques, gère les versions de modèles dans un registre et facilite le déploiement. Les versions récentes permettent aussi de tracer et d’évaluer des applications fondées sur des modèles de langage. Les équipes peuvent ainsi retrouver avec quelles données et quels réglages chaque modèle a été produit.

MLOps
open source
+1

Kubeflow

Kubeflow est une plateforme open source pour exécuter des workflows d'apprentissage automatique sur Kubernetes, de la préparation des données à l'entraînement, à la recherche d'hyperparamètres et au déploiement des modèles. Lancé à l'origine par Google, le projet fait partie de la Cloud Native Computing Foundation, où il a obtenu le statut « graduated » en août 2026 (état : octobre 2026). Il s'adresse surtout aux équipes qui entraînent leurs propres modèles à grande échelle sur leur infrastructure ou dans le cloud.

MLOps
Kubernetes
+1