En février 2019, je veux parler d’un truc qui n’a pas encore vraiment de nom à la mode, mais qui me cause déjà des maux de tête concrets: faire vivre un modèle d’IA en production. Tout le monde parle d’entraîner des modèles. Presque personne ne parle de ce qui arrive après: comment on le déploie, on le surveille, on le met à jour, on le répare quand il dérape. Bref, comment on l’exploite. J’appelle ça, faute de meilleur terme, du « MLOps » — pis je suis pas mal sûr que le mot va devenir à la mode bientôt.

Le déclic, je l’ai eu en voyant un de nos modèles, parfait à son lancement, se mettre tranquillement à donner de moins bons résultats. Personne ne l’avait touché. Le code était identique. Mais le monde, lui, avait changé — pis le modèle, entraîné sur le passé, ne suivait plus.

Un modèle, ça vit, ça dérive, ça vieillit

C’est ça, la grande différence avec un logiciel normal. Un programme classique, une fois correct, reste correct. Un modèle d’IA, lui, se dégrade avec le temps parce que la réalité qu’il a apprise évolue. On appelle ça la dérive. Pis si personne ne surveille, on s’en aperçoit trop tard.

flowchart LR
    A[Modele entraine] --> B[Deploye en production]
    B --> C[Le monde change]
    C --> D[Le modele derive]
    D --> E{On surveille?}
    E -->|Non| F[Resultats degradent en silence]
    E -->|Oui| G[Alerte: reentrainer]
    G --> H[Nouvelle version + tests]
    H --> B

Pour mes dealers, ça change complètement la façon de penser un projet d’IA. Ce n’est pas « on entraîne, on livre, c’est fini ». C’est un cycle de vie. Il faut versionner les modèles comme on versionne le code, surveiller leur performance en continu, garder les données d’entraînement pour pouvoir réentraîner, pis pouvoir revenir à une version précédente quand une nouvelle déçoit.

La discipline d’exploitation avant le buzz

Ce qui me frappe, c’est qu’on retrouve là toutes les leçons du DevOps, mais appliquées aux modèles. Automatiser le déploiement, surveiller en production, pouvoir reculer vite. Sauf qu’avec l’IA s’ajoute une couche: il faut aussi surveiller les données pis la performance prédictive, pas juste si le service répond.

Mon point, en février 2019, c’est que faire grandir l’IA dans une organisation dépend moins de la prochaine percée algorithmique que de cette discipline d’exploitation. Une équipe qui sait entraîner mais pas exploiter va accumuler des modèles qui pourrissent en silence. Pour mes dealers, la vraie maturité IA, c’est de traiter les modèles comme des actifs vivants qu’on entretient, pas des livrables qu’on oublie.

Ce que je retiens

En février 2019, la leçon que je veux nommer avant que le mot devienne tendance, c’est que l’IA en production exige une discipline d’exploitation. Un modèle vit, dérive, vieillit. Sans surveillance ni cycle de vie, il se dégrade sans qu’on s’en rende compte.

Versionner, surveiller, réentraîner, pouvoir reculer: c’est du DevOps appliqué aux modèles, avec une couche de plus pour la dérive des données. Pour mes dealers, c’est ça la différence entre une IA qui livre pendant des années pis une IA qui impressionne un mois avant de décevoir. Le mot « MLOps » va sûrement devenir à la mode — mais la discipline qu’il décrit, elle, est déjà essentielle aujourd’hui.