Le cycle de vie du Machine Learning – du pipeline au MLOps

Bonne lecture et bon apprentissage ! Junior TSAFACK – 11/09/2026 ⏱️ Temps de lecture estimé : 14 minutes

Un pipeline de Machine Learning est une série d’étapes interconnectées qui commencent par un objectif métier et se terminent par l’exploitation d’un modèle déployé — puis recommencent. Ce n’est pas un processus linéaire à sens unique : c’est un cycle de vie, car un modèle en production doit être surveillé, réentraîné et ajusté en continu. Ce chapitre clôt le module 1 en parcourant chaque étape, avec les services AWS associés.

Étape 1 : définir l’objectif métier

Tout projet ML doit commencer par une question simple : quel problème métier résout-on, et comment mesure-t-on le succès ? Sans critère de réussite clair, impossible d’évaluer le modèle ni même de savoir si le ML était la bonne approche.

La démarche recommandée, dans l’ordre :

Aligner les parties prenantes sur l’objectif et les critères de réussite.
Vérifier que le ML est réellement la meilleure approche (comparer précision, coût et évolutivité par rapport à d’autres options).
S’assurer de disposer de données d’entraînement pertinentes et de qualité suffisante.
Commencer par la solution la plus simple — un service d’IA managé AWS — avant d’envisager plus complexe.

💡 En cas de doute, l’ordre de complexité (et de coût) croissant est : service d’IA pré-entraîné (Rekognition, Comprehend…) → modèle de fondation personnalisable (Amazon Bedrock, avec RAG ou fine-tuning) → modèle open source pré-entraîné (SageMaker JumpStart) → entraînement complet à partir de zéro (le plus coûteux et le plus exigeant en responsabilité sécurité/conformité).

Étape 2 : collecter et préparer les données

Il faut d’abord savoir si les données arrivent en flux continu (streaming) ou par lots, puis mettre en place un processus ETL (Extraction, Transformation, Chargement) reproductible — le modèle devra être réentraîné régulièrement.

La préparation comprend :

L’analyse exploratoire des données (EDA) pour comprendre rapidement leur structure.
Le nettoyage : traitement des valeurs manquantes ou aberrantes, masquage des données personnelles (PII).
Le fractionnement en trois jeux : environ 80 % entraînement, 10 % validation, 10 % test — cette répartition permet d’évaluer le modèle sur des données qu’il n’a jamais vues, à deux moments différents du processus.
L’ingénierie des caractéristiques (feature engineering) : réduire les données aux caractéristiques qui contribuent réellement à minimiser l’erreur, ce qui allège aussi le coût de calcul.

Besoin	Service AWS
ETL entièrement géré, catalogage automatique	AWS Glue (+ Data Catalog)
Préparation visuelle sans code (250+ transformations)	AWS Glue DataBrew
Étiquetage de données (avec main-d’œuvre humaine si besoin)	Amazon SageMaker Ground Truth
Préparation low-code, flux visuels	Amazon SageMaker Canvas / Data Wrangler
Référentiel centralisé de caractéristiques réutilisables	Amazon SageMaker Feature Store
Détection de biais dans les données	Amazon SageMaker Clarify

AWS Glue ne stocke jamais les données elles-mêmes dans son catalogue — seulement les métadonnées (emplacement, schéma). Les données réelles restent dans leur magasin d’origine (le plus souvent un compartiment S3).

Étape 3 : entraîner, ajuster et évaluer

L’entraînement est un processus itératif : l’algorithme met à jour ses pondérations pour rapprocher sa sortie de la valeur attendue, jusqu’à ce qu’un nombre d’itérations défini soit atteint ou que l’amélioration devienne négligeable.

Chaque algorithme possède des hyperparamètres — des réglages externes définis avant l’entraînement (nombre de couches d’un réseau neuronal, par exemple), à distinguer des paramètres internes appris pendant l’entraînement. La bonne pratique consiste à lancer plusieurs entraînements en parallèle avec des hyperparamètres différents (réalisation d’essais) pour trouver la combinaison la plus performante.

Sur SageMaker, une tâche d’entraînement nécessite : l’URL S3 des données d’entraînement, les ressources de calcul à utiliser, le compartiment de sortie pour les artefacts du modèle, et le chemin vers une image de conteneur Docker contenant l’algorithme (fourni par SageMaker ou personnalisé, via Amazon ECR).

Amazon SageMaker Experiments permet de créer, comparer et analyser vos essais de Machine Learning selon des indicateurs clés.
L’ajustement automatique du modèle (AMT), ou hyperparameter tuning, exécute automatiquement de nombreux entraînements pour trouver la combinaison d’hyperparamètres qui maximise une métrique choisie (par exemple l’aire sous la courbe pour un classifieur binaire).

Étape 4 : déployer pour l’inférence

Quatre options d’inférence sont proposées par Amazon SageMaker — le bon choix dépend de vos exigences métier :

Mode	Idéal pour	Particularité
Temps réel	Réponses interactives soutenues	Point de terminaison persistant, entièrement géré, mise à l’échelle automatique
Par lots (batch)	Gros volumes, pas de contrainte de délai	Le plus économique — les ressources ne tournent que pendant le traitement
Asynchrone	Charges utiles volumineuses, temps de traitement longs	Le point de terminaison peut descendre à zéro instance hors demande
Sans serveur	Trafic irrégulier, avec périodes creuses	Exécuté sur Lambda ; vous ne payez que l’exécution

L’IA générative, elle, est le plus souvent exposée via une API REST : le client envoie une requête (souvent via Amazon API Gateway relayé vers une fonction AWS Lambda), qui transmet la demande au modèle et renvoie la réponse.

Étape 5 : surveiller en production (et automatiser — MLOps)

Un modèle en production se dégrade avec le temps : c’est ce qu’on appelle la dérive (drift). On distingue la dérive de données (la distribution des données réelles s’éloigne de celle des données d’entraînement) de la dérive de concept (la relation entre les variables change).

Amazon SageMaker Model Monitor compare en continu les données réelles à une base de référence, applique des règles (intégrées ou personnalisées) et envoie les résultats à Amazon CloudWatch pour déclencher des alarmes — jusqu’à, potentiellement, relancer automatiquement un entraînement.

MLOps applique les bonnes pratiques de l’ingénierie logicielle (DevOps) au Machine Learning : automatisation des tâches manuelles, tests avant publication, réponse automatique aux incidents. Le contrôle de version s’applique à tout, y compris les données d’entraînement. Les bénéfices : productivité, répétabilité, fiabilité, auditabilité (traçabilité complète pour la conformité) et meilleure qualité des données/modèles.

Besoin MLOps	Service AWS
Orchestrer un pipeline ML reproductible	Amazon SageMaker Pipelines
Référentiel centralisé de modèles versionnés	SageMaker Model Registry
Flux de travail visuel sans serveur	AWS Step Functions
Flux Apache Airflow géré	Amazon Managed Workflows for Apache Airflow (MWAA)

Évaluer un modèle : les métriques essentielles

Pour la classification : la matrice de confusion

Sur un problème de classification binaire, quatre issues sont possibles : vrai positif, vrai négatif, faux positif, faux négatif. À partir de ces quatre nombres, on calcule :

Métrique	Formule	Utile quand…
Précision (accuracy)	(VP + VN) / total	Les classes sont équilibrées — trompeuse sinon (90 % de « non-fraude » dans les données suffit à un modèle paresseux pour atteindre 90 % de précision apparente).
Précision (precision)	VP / (VP + FP)	On veut minimiser les faux positifs (ne pas classer un e-mail légitime comme spam).
Rappel (recall)	VP / (VP + FN)	On veut minimiser les faux négatifs (ne pas rater un diagnostic de maladie).
Score F1	Moyenne harmonique de précision et rappel	On a besoin d’un compromis entre les deux.

💡 Précision et rappel s’opposent souvent : optimiser l’un dégrade généralement l’autre. Le choix dépend du coût respectif d’un faux positif et d’un faux négatif pour votre cas d’usage.

L’AUC (aire sous la courbe ROC) mesure la performance globale d’un classifieur sur l’ensemble des seuils de décision possibles : 1 = parfait, 0,5 = pas mieux qu’un tirage aléatoire.

Pour la régression

Métrique	Ce qu’elle mesure
MSE (erreur quadratique moyenne)	Moyenne des carrés des écarts — pénalise fortement les grosses erreurs.
RMSE (racine de la MSE)	Même chose, mais exprimée dans l’unité d’origine (plus lisible).
MAE (erreur absolue moyenne)	Moyenne des écarts absolus — n’amplifie pas les erreurs importantes.

Les indicateurs métier

Une performance technique excellente ne suffit pas : il faut la relier à un objectif métier mesurable (réduction de coûts, hausse du taux de conversion, amélioration du ROI). AWS permet d’étiqueter les ressources avec des balises de répartition des coûts, consultables ensuite dans AWS Cost Explorer, pour comparer le coût réel d’un projet ML à son bénéfice estimé.

Points clés à retenir

Le pipeline ML est un cycle : objectif → données → entraînement → déploiement → surveillance → retour au début.
Le fractionnement classique des données est 80/10/10 (entraînement/validation/test).
Le choix du mode d’inférence (temps réel, batch, asynchrone, sans serveur) dépend du besoin de latence et du profil de trafic.
MLOps applique les principes DevOps au ML : automatisation, versionnage de tout (y compris les données), surveillance continue.
La précision seule est trompeuse sur des données déséquilibrées ; précision/rappel/F1/AUC pour la classification, MSE/RMSE/MAE pour la régression.

Glossaire

Terme	Définition
Hyperparamètre	Réglage externe d’un algorithme, fixé avant l’entraînement (nombre de couches, taux d’apprentissage…).
Dérive (drift)	Dégradation des performances d’un modèle en production due à un changement dans les données ou leur relation aux sorties.
MLOps	Application des pratiques DevOps (automatisation, CI/CD, versionnage) au cycle de vie du Machine Learning.
Matrice de confusion	Tableau croisant prédictions et réalité pour un classifieur (vrais/faux positifs/négatifs).

Module suivant

Le module 1 est terminé : vous connaissez les fondamentaux de l’IA, du ML et du cycle de vie qui les entoure. Place à l’IA générative — le cœur de l’actualité IA depuis 2023.

👉 Module 2 : IA générative — transformeurs, invites et modèles de fondation

Junior TSAFACK – 11/09/2026