MLOps : industrialisation modèles ML

Contexte

Grande banque retail française avec 15 modèles ML en production (scoring, fraude, churn, pricing, recommandation) déployés au fil des 3 dernières années sans framework commun. Chaque data scientist déploie ses modèles avec ses propres outils et méthodes. Le time-to-production d'un modèle est de 3 mois, dont 2 mois de travail d'ingénierie pour le déploiement.

Problème & Défi

15 modèles ML en production sans monitoring : dérive détectée en moyenne après 6 mois. Chaque modèle déployé avec une méthode différente : pas de standard, pas de reproductibilité. Time-to-production de 3 mois dont 2 mois d'ingénierie de déploiement (vs 2 semaines pour les leaders). Aucun versioning des modèles : impossible de rollback vers une version précédente en cas de problème. Dépendance aux data scientists individuels : un départ = perte du savoir-faire opérationnel sur le modèle.

Solution & Livrables

Plateforme MLOps standardisée : registry de modèles, pipeline CI/CD, déploiement automatisé (staging → production). Monitoring de performance continu : détection automatique de drift (data drift, concept drift, prediction drift). Alerting et retraining automatique quand les performances passent sous un seuil configurable. Versioning complet : modèle, données d'entraînement, features, hyperparamètres, métriques. Governance ML : documentation automatique, audit trail, conformité réglementaire (AI Act, EBA).

Technologies