Le cycle de vie du développement IA/ML
Des données brutes à un modèle surveillé en production : le pipeline ML, les options de déploiement, les pratiques MLOps et les métriques qui prouvent qu'un modèle fonctionne.
Un modèle qui affiche un bon score dans un notebook n'est pas encore un produit. Ce sujet suit le chemin complet qui mène des données brutes à un modèle en service dont on surveille la qualité, puis qui revient aux données quand le monde change. C'est le dernier sujet du domaine des fondamentaux, et il relie tout ce qui précède : les concepts, les cas d'usage et les services prennent enfin leur place dans un flux unique.
Ce que couvre ce sujet
- les étapes du pipeline ML dans l'ordre, de la collecte à la surveillance, et la distinction entre analyse exploratoire, prétraitement et feature engineering
- les trois origines possibles d'un modèle : pré-entraîné tel quel, personnalisé, ou entraîné de zéro
- les modes de mise en production : API managée contre auto-hébergement, puis inférence temps réel, serverless, asynchrone ou batch
- la carte des services AWS et SageMaker étape par étape, de Ground Truth à Model Monitor
- les fondamentaux du MLOps : expérimentation tracée, processus reproductibles, dette technique, surveillance et réentraînement
- les métriques de modèle (exactitude, précision, rappel, F1, AUC, RMSE, MAE) et les métriques métier comme le ROI et le coût par utilisateur
Pourquoi c'est important
L'examen AIF-C01 teste ce sujet par des scénarios plutôt que par des définitions. On vous décrit une activité et on vous demande à quelle étape elle appartient, on vous donne un profil de trafic et on vous demande quelle option d'inférence choisir, ou on vous présente un modèle qui s'est dégradé et on vous demande quelle pratique y répond. Ces questions se répondent vite quand le pipeline est clair en tête, et deviennent des devinettes quand il ne l'est pas.
Ce sujet installe aussi deux réflexes qui servent dans tout le reste de la certification : le déploiement n'est jamais la fin du travail, et un modèle techniquement performant peut rester un échec métier. Les domaines suivants, sur l'IA générative, l'IA responsable et la gouvernance, supposent tous que vous raisonnez déjà en termes de cycle de vie et de mesure.