Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
MLOps
Pratique d'ingénierie qui vise à déployer et maintenir des modèles d'apprentissage automatique en production de manière fiable et efficace.
Monitoring de modèles
Surveillance continue des performances et du comportement des modèles en production pour détecter les anomalies.
Pipeline d'entraînement
Séquence automatisée d'étapes pour préparer les données, entraîner et valider les modèles ML.
Déploiement continu
Automatisation du processus de mise en production des modèles ML après validation réussie.
Versioning de modèles
Gestion systématique des différentes versions d'un modèle ML avec métadonnées associées.
A/B testing pour modèles
Méthodologie pour comparer les performances de plusieurs modèles en production simultanément.
Cascade ML
Architecture où plusieurs modèles sont exécutés en séquence, chaque modèle affinant les résultats du précédent.
Observabilité ML
Capacité à mesurer, comprendre et diagnostiquer le comportement interne des systèmes ML en production.
Auto-scaling de modèles
Ajustement automatique des ressources de calcul en fonction de la charge de prédiction des modèles.