Cycle de vie du modele en production

Définition

Le cycle de vie du modele en production designe l'ensemble des etapes traversees par un modele d'intelligence artificielle depuis sa conception jusqu'a son retrait, en passant par son deploiement operationnel et son suivi continu. On distingue generalement les phases de collecte et preparation des donnees, entrainement et validation, tests de performance et de robustesse, deploiement en production via un pipeline de mise en service continue, surveillance ou monitoring, maintenance corrective incluant le reentrainement periodique, et enfin la mise hors service ou depreciation du modele. Cette approche, formalisee sous le terme MLOps, machine learning operations, s'inspire des pratiques DevOps en y ajoutant des specificites propres au machine learning : gestion des versions de donnees en plus des versions de code, surveillance de la derive des donnees et du modele, dite data drift et concept drift, et tracabilite complete entre une prediction produite et la version exacte du modele, des donnees d'entrainement et du code ayant permis de l'obtenir. La norme ISO/IEC 42001 sur le management de l'IA et le NIST AI RMF integrent explicitement la gestion du cycle de vie comme exigence structurante de la gouvernance IA, notamment parce que la plupart des risques documentes, comme dans les incidents recenses par l'AI Incident Database, surviennent apres le deploiement initial, lors de la phase d'exploitation.