Le MLOps (Machine Learning Operations) est l'ensemble des pratiques qui appliquent les principes du DevOps au cycle de vie des modèles de machine learning : versionner le code, les données et les modèles, automatiser entraînement et déploiement, surveiller la qualité et la dérive en production.
Il répond à deux problèmes concrets. Beaucoup de modèles restent bloqués au stade du prototype faute de chaîne de déploiement. Et ceux qui partent en production se dégradent sans bruit quand les données réelles s'éloignent des données d'entraînement.
Les outils courants sont MLflow, Kubeflow, Vertex AI, SageMaker, Weights & Biases, Metaflow et DVC pour le versionnement des données. Le LLMOps en est la déclinaison pour les applications fondées sur des LLM.
Pourquoi ça compte quand on recrute
Le MLOps devient un sujet de recrutement quand plusieurs modèles tournent en production et que les Data Scientists passent plus de temps à déployer qu'à modéliser. Le bon profil vient souvent du DevOps ou du data engineering avec une vraie culture ML. Signal fort : il a mis en place la détection de dérive et le réentraînement, pas seulement un pipeline de déploiement.