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 MLOps par rapport à 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.