MLOps en pratique : REX LVMH, Dataiku, CI/CD et monitoring modeles

8 modeles sur 10 qui passent la phase pilote ne survivent pas un an en production. Ce REX concret montre pourquoi et comment le MLOps resout ces problemes avec Dataiku dans un contexte grand groupe.

Data Builder·Juin 2025·7 min de lecture·Data Scientist · ML Engineer

Sommaire

Le probleme MLOps en production
Cycle de vie d un modele
Le framework CI/CD ML
MLOps avec Dataiku
Fiabilite, scalabilite, tracabilite
Portfolio LVMH
Grille

Dans un grand groupe comme LVMH, maintenir des modeles ML en production sur des dizaines de maisons est un defi d organisation autant que de technique. Ce guide part d un cas concret.

1Le probleme : 8/10 modeles n survivent pas un an

Question discriminante

Pourquoi la majorite des modeles ML deployés ne survivent-ils pas un an en production ? Quelles sont les causes racines ?

Absence de responsable — personne n est designe pour surveiller et redemarrer le pipeline quand il echoue
Incomprehension — les nouveaux membres de l equipe ne comprennent pas les modeles existants, aucune documentation
Absence de processus de livraison — erreurs frequentes dans les outputs, pas de validation automatique
Rigidite face aux changements — le modele ne s adapte pas quand les donnees ou le contexte metier changent

2Les 4 phases du cycle de vie MLOps

Phase	Activite	Output
1. Identification	Definition claire du probleme metier	Business case valide, KPIs definis
2. Developpement	Creation et entrainement du modele ML	Modele valide sur dataset de test
3. Phase pilote	Test en conditions reelles, validation de la performance	Validation metier, seuils de performance etablis
4. Production	Integration, monitoring continu, amelioration	Modele monitore, reentraine si derive detectee

3Le framework CI/CD ML : fiabilite, scalabilite, tracabilite

Question discriminante

Qu entendez-vous par CI/CD pour le ML ? En quoi est-ce different du CI/CD software classique ?

Fiabilite — monitoring des donnees (distribution des features), monitoring de la performance du modele, monitoring des outputs, retraining automatique
Scalabilite — pipeline orchestre reproductible, documentation technique et metier, onboarding rapide pour les nouveaux
Tracabilite — stocker les outputs historiques, journaliser les runs, versionner les modeles, permettre l audit
Difference avec CI/CD software — en ML, tester le comportement du modele est probabiliste (pas binaire). Un modele peut etre correctement deploye mais produire de mauvais resultats si les donnees ont derive

4MLOps avec Dataiku : ce que la plateforme apporte

Architecture MLOps LVMH avec Dataiku :

[Donnees] -> [Scenario Dataiku]
                |
         Orchestration automatique :
         - Trigger : temporel, changement dataset, manuel
         - Reporter : Teams, email sur succes/echec
                |
         Metrics & checks (30% du temps) :
         - Data quality (schema, distributions)
         - Model performance en validation
         - Model performance en production
         - Distribution des outputs (avant/apres post-processing)
                |
         Refactoring code (60% du temps) :
         - Visual recipes -> SQL -> Python (performance)
         - SQL Pipelines (traitement natif en base)
         - Optimisation du stockage (zones)
                |
         Visualisation (5%) :
         - Dashboard de suivi dans Dataiku

Experiment Tracking — historique des runs avec parametres, performances, volume sur dataset de validation
Model Store — modeles valides historiques avec leurs metriques et seuils utilises
Scenario — equivalent d un DAG Airflow dans Dataiku, avec triggers, reporters et etapes

560% du temps : le refactoring est roi

Question discriminante

Dans un projet MLOps, combien de temps passez-vous a la modelisation vs au pipeline et au refactoring ?

60% refactoring — optimisation du code pour la performance et la maintenabilite : passer des Visual Recipes Dataiku a SQL, puis a des SQL Pipelines natifs
30% monitoring — mettre en place tous les checks : qualite des donnees, performance du modele, distribution des outputs
5% visualisation — dashboard de suivi pour les stakeholders
5% orchestration — configurer les triggers et les reporters
Conclusion — un MLOps 80% de machine learning et 20% d ingenierie est deja un projet en difficulte

6Types de modeles en production chez LVMH

Client Development — targeting des clients selon leur comportement (repeaters, one-timers)
Product Recommendation — recommandation de produits croisee entre les maisons du groupe
Sales Forecast — prevision des ventes par maison, zone, canal
Efficiency Models — optimisation des stocks, reduction des invendus

7Grille par niveau

Niveau	Maitrise	Signal GO	NO-GO
Confirme	A deploye un modele, connait MLflow, fait des checks basiques	A deploye en production, surveille la performance, reconnait les causes d obsolescence	Pense que deployer = mettre le notebook en prod
Senior	Framework MLOps complet, monitoring derive, CI/CD ML, Dataiku ou MLflow avance	A mis en place un monitoring complet, a configure un retraining automatique	N a pas de monitoring sur ses modeles en production
Lead	Architecture MLOps organisation, gouvernance des modeles, choix de plateformes	A defini le framework MLOps de son organisation, a choisi et deploye la plateforme	Ne peut pas expliquer pourquoi ses modeles meurent en production

Vous recrutez un Data Scientist ou ML Engineer ?

Premier entretien gratuit. Rapport GO/NO-GO sous 48h.

Tester gratuitement Reserver un appel