Le ModelOps (opérationnalisation des modèles) est la discipline qui gère le cycle de vie complet des modèles d'intelligence artificielle et d'apprentissage automatique dans des environnements de production, de leur déploiement jusqu'à leur retrait. Il va au-delà du développement du modèle : il se concentre sur la gouvernance, la surveillance, le versionnage et le réentraînement des modèles de manière systématique et contrôlée une fois qu'ils sont en fonctionnement.
Son importance réside dans le fait qu'un modèle déployé n'est pas un actif statique : sa performance se dégrade avec le temps en raison de la dérive des données (changements dans les données d'entrée) ou de la dérive de concept (changements dans la relation que le modèle a apprise). Le ModelOps apporte les processus pour détecter et corriger ces problèmes, en plus de garantir la traçabilité, la conformité réglementaire et l'audit.
En pratique, il englobe des tâches telles que :
- Surveillance continue des métriques de précision et de latence.
- Réentraînement automatisé lorsque la performance chute.
- Contrôle de version et rollback vers des modèles précédents.
Il convient de le distinguer du MLOps : le ModelOps adopte une perspective de gouvernance plus large, applicable également aux modèles analytiques ou basés sur des règles, et pas seulement à l'apprentissage automatique.