Le MLOps est une extension des pratiques DevOps (développement et opérations) de mise en production de modèles d'apprentissage automatique (ML). Il est axé sur l'automatisation et le supervision à toutes les étapes de la construction du système ML : création des pipelines reproductibles, environnement logiciel réutilisable, tests, intégration, déploiement et supervision de la performance des modèles.

Il existe de nombreux composants supplémentaires dans le MLOps par rapport au DevOps, en raison de la nature différente des projets de développement data science et logiciels. En data science :

• beaucoup de langages et de frameworks différents sont utilisés, donc les projets n'ont pas de structure monolithique.
• il y a une étape d'expérimentation lors du développement des modèles, où les performances des modèles et les jeux de données utilisés doivent être historisés.
• les tests doivent inclure le modèle, les données et les composants logiciels.
• les pipelines peuvent être longs et complexes et leur déploiement peut nécessiter une automatisation de nombreuses étapes qui étaient manuelles pendant la construction du système.
• une fois en production, les performances du modèle doivent être constamment supervisées, car le changement des données entrantes peut altérer sa performance. Dans ce cas, le modèle devrait être ré-entraîner.

Le MLOps ecourage la collaboration et la communication entre les Data Scientists et les Ops pour aider à gérer le cycle de vie du ML de production. Semblable aux approches DevOps et DataOps, le MLOps cherche à augmenter l'automatisation et à améliorer la qualité du Machine Learning en production tout en se concentrant sur les exigences commerciales et réglementaires.