Glossaire

MLflow

Qu’est-ce que 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.

Thèmes

MLOps
open source
gestion des modèles

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

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.

MLOps
automatisation
+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

Amazon SageMaker

Amazon SageMaker est le service cloud d'Amazon Web Services (AWS) pour développer, entraîner et déployer des modèles d'apprentissage automatique. Fin 2024, le service d'origine a été renommé « Amazon SageMaker AI » ; « Amazon SageMaker » désigne depuis une plateforme plus large pour les données, l'analytique et l'IA, avec l'interface SageMaker Unified Studio (état : octobre 2026). Il est surtout utilisé par des équipes de data science qui exploitent leurs modèles sur l'infrastructure AWS.

Cloud
MLOps
+1

Dérive de modèle (model drift)

La dérive de modèle (model drift) désigne la baisse progressive de la qualité des prédictions d’un modèle en production, parce que la réalité évolue par rapport aux données d’entraînement. On distingue les changements dans les données d’entrée (data drift) et ceux dans la relation entre entrées et résultat (concept drift). Exemple : un modèle de détection de fraude ne repère plus de nouveaux schémas de fraude. Les remèdes sont la surveillance continue des indicateurs et un réentraînement régulier.

MLOps
qualité du modèle
+1