Pratiques et outils pour gérer le déploiement, le monitoring et la maintenance des modèles IA en production. Cela inclut la détection de drift de données, le réentraînement automatisé, la gestion des incidents et le suivi des dérives de performance.
Les MLOps, en tant que pratiques de gestion du cycle de vie des modèles d'IA en production, sont cruciaux pour adresser les risques ESG liés à la robustesse, la fiabilité et la transparence des systèmes d'IA, contribuant ainsi à la Supervision humaine et à la gouvernance responsable de l'IA, notamment pour les systèmes à haut risque sous l'AI Act (Article 10, 14, 15).
Un groupe retail français met en place un pipeline MLOps qui détecte quotidiennement si la précision du modèle de recommandation produit chute de > 5 %. En cas de drift, un réentraînement automatisé est déclenché et les tests de performance relancés avant redéploiement.
Termes connexes (Technologie)
IA fantôme (Shadow AI)
Utilisation non autorisée d'outils d'intelligence artificielle par les employés, contournant les politiques de sécurité, de conformité et de gouvernance de l'entreprise. Ce phénomène représente un risque ESG majeur : fuite de données sensibles, non-conformité RGPD/IA Act, absence de traçabilité et d'audit.
Ingénierie de prompt ESG
Discipline d'optimisation des instructions textuelles (prompts) données aux modèles d'IA pour obtenir des réponses pertinentes, précises et conformes aux exigences du reporting de durabilité. Inclut la structuration des requêtes, l'injection de contexte réglementaire et la réduction des hallucinations.
Hallucination IA
Génération par un modèle d'IA de contenus faux, inventés ou non étayés par les données sources, présentés avec une apparence de certitude. Risque critique pour le reporting ESG où l'exactitude et la traçabilité des informations sont essentielles pour l'audit externe.
Token (unité de traitement IA)
Unité élémentaire de texte traitée par les modèles de langage (environ 4 caractères ou 0,75 mot en français). Le nombre de tokens détermine le coût de calcul, la consommation énergétique et l'empreinte carbone d'une requête IA. Métrique clé pour l'optimisation Green AI.
GPU (Processeur graphique)
Processeur spécialisé dans le calcul parallèle, essentiel pour l'entraînement et l'inférence des modèles d'IA. Les GPU représentent la principale source de consommation énergétique et d'émissions carbone des infrastructures IA, avec des enjeux d'approvisionnement en terres rares et de recyclage.
Récupération de chaleur fatale (data center)
Valorisation de la chaleur résiduelle générée par les serveurs et GPU des centres de données pour alimenter des réseaux de chauffage urbain, des serres agricoles ou des processus industriels. Levier clé d'économie circulaire pour réduire l'impact environnemental net des infrastructures IA.