Towards Reliable and Trustworthy Pipelines for MLOps and LLMOps

Les modèles d’apprentissage automatique (ML) et les grands modèles de langage (LLMs) ont démontré une grande efficacité dans l’automatisation de tâches traditionnellement effectuées manuellement. Leur performance a favorisé leur intégration dans des applications critiques, au point de constituer l’infrastructure de base de nombreux systèmes complexes basés sur l’intelligence artificielle (IA). Pour gérer l’ensemble du cycle de vie de ces modèles, des cadres opérationnels tels que le Machine Learning Operations (MLOps) et le Large Language Model Operations (LLMOps) ont émergé, proposant des outils et des bonnes pratiques adaptés. Les pipelines MLOps et LLMOps permettent le déploiement continu de modèles améliorés, que ce soit par l’adoption de versions plus performantes ou par l’adaptation des modèles à des environnements dynamiques en constante évolution, via l’entraînement continu (CT) sur des données de production récentes. Ces pratiques visent à renforcer la fiabilité des systèmes basés sur l’IA.