Description

L’utilisation des modèles d’IA est appelée à se généraliser dans la réalisation des applications. Mais ils doivent pour cela être rendus pleinement opérationnalisables, c’est-à-dire transformés en composants logiciels répondant aux exigences fonctionnelles et de qualité des environnements de développement, de qualification et d’exécution. Cet objectif nécessite l’adaptation des méthodes de gestion et d’automatisation des chaînes de production logicielles, le DevOps, pour y intégrer les concepts, stratégies et bonnes pratiques nécessaires au développement, déploiement, monitoring et maintenance continus des modèles d’IA, le MLOps.
Pour préserver la philosophie DevOps, qui abolit la frontière entre les phases de développement et d’opérations, le MLOps doit faciliter les collaborations entre les ingénieurs Data, IA et Logiciels au sein des projets et les assister dans la maîtrise des multiples composantes nécessaires à la mise au point et à la mise en œuvre des modèles d’IA (data, ML, logiciel, opérations). Une solution no-code / low code serait adaptée à la multiplicité des profils des contributeurs, qui doivent manipuler des concepts éloignés leurs domaines d’expertise. Mais sa conception se heurte à la diversité et à la variabilité des éléments constituant les pipelines de MLOps.
L’objectif du projet ANR AdaptiveMLOps est d’étudier l’application d’approches d’ingénierie de lignes de produits pour cataloguer les éléments récurrents des pipelines de MLOps et documenter leur variabilité statique et dynamique. La connaissance métier ainsi recueillie et formalisée permettra de guider et d’assister la conception de pipelines de MLOps par réutilisation, composition et configuration. Elle sera mise en œuvre par une approche d’ingénierie dirigée par les modèles qui proposera un DSL :
i) générique et extensible, pour couvrir la variété des éléments des pipelines et l’évolution des pratiques de MLOps,
ii) abstrait, pour être facilement utilisable sans expertise,
iv) pivot, pour permettre des transformations vers les langages de Plateform / Infrastructure as Code utilisés dans les déploiements,
iii) gérant la variabilité statique et dynamique, pour ne pas limiter personnalisation, fine-tuning et adaptation dynamique.
AdaptiveMLOps vise en particulier la gestion automatique et dynamique du (re)-déploiement chez des fournisseurs multiples de différentes portions du pipeline et des composants d’IA associés afin d’optimiser les performances, le coût et l’empreinte environnementale. L’ensemble des solutions sera prototypé et validé au travers de PoC en utilisant la plateforme du partenaire industriel du projet (fournisseur de solutions cloud) sur des cas d’études concrets fournis par les clients du partenaire industriel du projet (grands groupes français).

Compétences requises

Nous recherchons des candidats ayant suivi un cursus de niveau master 2 en génie logiciel, avec des compétences / expériences en ingénierie dirigée par les modèles, en ingénierie de lignes de produits, sur les concepts et les outils de DevOps / MLOps, le développement et la gestion d’architectures logicielles, la variabilité statique et dynamique des architectures logicielles, l’adaptation autonomique d’architectures logicielles. Des compétences / expériences en Intelligence Artificielle, ou sur les combinaisons génie logiciel / intelligence artificielles seraient un avantage. Une expérience de la recherche (stage, missions, projets) serait également appréciée. Une bonne maîtrise de l’anglais, en particulier écrite, est requise.

Bibliographie

L. Zhu, L. Bass, G. Champlin-Scharff, DevOps and its practices, IEEE software 33 (2016) 32–34.
M. Treveil, N. Omont, C. Stenac, K. Lefevre, D. Phan, J. Zentici, A. Lavoillotte, M. Miyazaki, L. Heidmann, Introducing MLOps, O’Reilly Media, 2020.
A. Kolar Narayanappa, C. Amrit, An analysis of the barriers preventing the implementation of MLOps, in: IFIP WG 8.6 International working conference on Transfer and Diffusion of IT (TDIT), Springer, 2023, pp. 101–114.
A. Melde, M. Madan, P. Gavrikov, D. Hoof, A. Laubenheimer, J. Keuper, C. Reich, Tackling Key Challenges of AI Development–Insights from an Industry-Academia Collaboration, in: The Upper-Rhine Artificial Intelligence Symposium: AI Applications in Medicine and Manufacturing, Furtwangen University, Villingen-Schwenningen, Germany, 2022, pp. 112–121.
F. Calefato, F. Lanubile, L. Quaranta, A preliminary investigation of MLOps practices in GitHub, in: 16th ACM/IEEE International Symposium on Empirical Software Engineering and Measurement, 2022, pp. 283–288.
A. Serban, K. van der Blom, H. Hoos, J. Visser, Software engineering practices for machine learning—adoption, effects, and team assessment, Journal of Systems and Software 209 (2024)
M. P. Uysal, E. Akturk, A systemic approach to machine learning project management, IEEE Engineering Management Review (2024).
M. Zarour, H. Alzabut, K. Alsarayrah, Mlops best practices, challenges and maturity models: A systematic literature review, Information and Software Technology (2025) 107733.

Mots clés

Génie Logiciel, Intelligence Artificielle, MLOps/DevOps, Variabilité statique et dynamique, Ingénierie de lignes de produits logiciels, Ingénierie dirigée par les modèles