MLflow s’impose en 2025 comme la référence mondiale pour gérer le cycle de vie complet des modèles d’apprentissage automatique. Avec plus de 30 millions de téléchargements mensuels, cet outil open source redéfinit les pratiques MLOps à l’échelle industrielle.
Lancé en 2018 par Databricks, MLflow répond à un besoin urgent. Il structure un processus de développement de modèles jugé chaotique et non reproductible. La plateforme couvre l’intégralité du pipeline, de l’expérimentation au déploiement. En 2020, Databricks transfère la gouvernance du projet à la Linux Foundation. Aujourd’hui, MLflow intègre nativement les enjeux du LLMOps et de l’IA générative, notamment avec MLflow 3.
En bref,
- MLflow est un framework open source sous licence Apache 2.0 avec plus de 200 contributeurs issus de 100 organisations.
- La plateforme repose sur 4 modules principaux couvrant l’ensemble du cycle MLOps sans dépendance à une infrastructure spécifique.
- Depuis MLflow 3, la plateforme supporte la traçabilité des agents IA, l’évaluation par LLM-as-a-judge et la gestion des prompts et passerelle IA unifiée.
Tracking pour enregistrer et comparer vos expériences de machine learning
À sa création chez Databricks, MLflow Tracking fournit une API et une interface utilisateur dédiées. Elles permettent d’enregistrer les paramètres, les métriques et les artefacts de chaque entraînement. Ainsi, les data scientists instrumentent leur code Python existant avec très peu de modifications.
Ce module constitue le socle historique de la plateforme. Concrètement, chaque expérience enregistre automatiquement les hyperparamètres et les métriques d’évaluation. Elle capture aussi les fichiers produits, qu’il s’agisse de poids de modèles ou de graphiques.
Le mécanisme d’autologging, introduit en 2020, automatise cette capture sans toucher au code source. Les résultats sont ensuite accessibles via une interface web intégrée. Elle permet de filtrer, trier et comparer des dizaines de runs simultanément. Le composant de suivi de MLflow permet donc d’enregistrer et d’interroger les expériences. Il inclut le code, les données, la configuration et les résultats. Cela facilite la comparaison entre expériences et garantit la reproductibilité.
Cette reproductibilité est un enjeu critique dans les projets industriels. En effet, sans traçabilité fine, il est impossible d’expliquer comment un modèle a été obtenu. Or cela pose des problèmes réglementaires dans des secteurs comme la finance ou la santé. MLflow Tracking s’intègre nativement avec TensorFlow, PyTorch, Scikit-learn et XGBoost.
Model Registry gouverne le cycle de vie des modèles en production
Présentée en octobre 2019, la fonctionnalité Model Registry a été cruciale dans l’adoption massive de MLflow. C’est ce qu’affirme Matei Zaharia, cofondateur de Databricks. Ce composant aide à versionner et à gérer les modèles en production. Il complète ainsi l’objectif d’une solution de gestion de bout en bout. Le Model Registry fonctionne comme un hub centralisé. Chaque modèle y transite par des étapes formalisées : Staging (validation), Production (déploiement actif) et Archived (obsolète).
De plus, chaque transition peut être soumise à une approbation humaine. Cela introduit un processus de gouvernance rigoureux. Les annotations permettent de documenter les raisons d’un passage en production. Elles créent ainsi un historique d’audit complet et exploitable. Par ailleurs, le registre de modèles offre des fonctionnalités de gestion des versions et d’annotations. Il facilite donc la surveillance et la gouvernance des modèles dans le temps.
Ce niveau de contrôle répond directement aux exigences du Règlement européen sur l’IA (AI Act, entré en vigueur en 2024). Ce texte impose une traçabilité documentée pour les systèmes à haut risque. En conséquence, les équipes opèrent sans friction entre développement et production. Elles maintiennent ainsi une chaîne de responsabilité claire sur chaque version déployée.
MLflow 3 et le LLMOps gère les agents IA en environnement de production
La principale évolution de 2025 est l’extension de MLflow vers l’IA générative. Ainsi, MLflow 3 intègre des capacités dédiées à la journalisation du comportement des applications GenAI. Il couvre les prompts, les réponses, les traces et les résultats d’évaluation. Cela apporte une visibilité approfondie sur la performance des systèmes LLM dans le temps.
La fonctionnalité de tracing compatible OpenTelemetry capture les entrées, sorties et latences. Elle enregistre aussi les coûts à chaque étape d’un pipeline agentique. Par ailleurs, MLflow Tracing instrumente automatiquement n’importe quel framework LLM. Une seule ligne de code suffit pour capturer prompts, completions, appels d’outils et usage de tokens.
Ensuite, le MLflow Prompt Registry introduit le versionnement des templates de prompts. Il inclut le suivi des différences et un système d’alias : dev, staging et production. On peut donc modifier un prompt depuis l’interface sans toucher au code.
Le MLflow AI Gateway constitue aussi un plan de contrôle unique pour l’accès aux modèles. Il gère la gouvernance, la limitation de débit, l’authentification et le suivi des coûts sur plusieurs fournisseurs. Enfin, l’intégration de scorers TruLens permet d’évaluer les agents sur des critères précis. Il s’agit notamment de la cohérence logique, de l’efficacité d’exécution et de la qualité des appels d’outils.
Models et MLflow Projects structure et déploie des pipelines reproductibles
MLflow, contraction de Machine Learning et workflow, couvre toutes les phases d’un projet ML. Il traite la construction, l’entraînement, la mise au point, le déploiement et la révision. Le MLflow Projects normalise le packaging du code ML dans un format portable. Il spécifie les dépendances via un fichier MLproject. Ainsi, l’exécution est identique en local, sur cluster ou dans un pipeline CI/CD.
Le composant MLflow Models définit quant à lui un format d’artefact universel. Il permet de servir un modèle via REST, Python, Docker ou des cibles cloud comme Azure ML, AWS SageMaker ou Google Vertex AI. Contrairement à Kubeflow, MLflow fonctionne sur des machines locales via de simples scripts Python. Il n’a donc pas besoin de Kubernetes dans ses composants. De plus, il est agnostique au framework. Il supporte ainsi TensorFlow, PyTorch et de nombreux autres outils.
Cette architecture modulaire explique son adoption transversale dans des secteurs très différents. Parmi les premières grandes organisations à l’adopter figuraient Starbucks, ExxonMobil, T-Mobile et Accenture. En 2026, MLflow reste un composant central du paysage MLOps. Il est reconnu pour sa reproductibilité et sa nature modulaire, adaptée aussi bien aux débutants qu’aux experts.
Quel budget prévoir pour utiliser MLflow selon votre infrastructure ?
MLflow lui-même ne comporte aucun frais de licence direct. En tant que logiciel open source, il est donc gratuit à l’usage. Toutefois, son déploiement implique des coûts d’infrastructure. Ceux-ci varient selon l’environnement choisi : serveur de suivi, stockage des artefacts et ressources de calcul.
La Databricks Community Edition propose par ailleurs un accès entièrement gratuit à MLflow managé. Elle est idéale pour des usages pédagogiques et des projets à petite échelle. Pour les environnements de production en entreprise, les coûts dépendent des ressources mobilisées : Databricks, Azure ML, AWS SageMaker ou infrastructure autohébergée.
| Mode de déploiement | Coût logiciel | Infrastructure requise | Public cible | Niveau de complexité |
|---|---|---|---|---|
| MLflow open source auto-hébergé | Gratuit (licence Apache 2.0) | Serveur propre + stockage S3/GCS/ADLS | Équipes techniques avancées | Élevée |
| Databricks Community Edition | 100 % gratuit | Gérée par Databricks (limité) | Débutants / usage pédagogique | Faible |
| Managed MLflow sur Databricks (AWS/Azure/GCP) | Inclus dans le plan Databricks | DBU (Databricks Units) au calcul | Entreprises et équipes Data | Moyenne |
| Azure Machine Learning + MLflow | Intégration native Azure | Facturation Azure compute + stockage | Environnements Microsoft | Moyenne |
| AWS SageMaker + MLflow | Intégration native AWS | Facturation SageMaker instances + S3 | Environnements AWS | Moyenne |
Questions fréquentes sur MLflow et son utilisation en entreprise
MLflow est-il compatible avec des langages autres que Python ?
MLflow fournit des SDK natifs pour Python, TypeScript/JavaScript, Java et R. Il supporte ainsi n’importe quel fournisseur de LLM, framework d’agent et bibliothèque ML. Cette compatibilité multilangage permet à des équipes hétérogènes de partager le même serveur de suivi sans friction.
Quelle est la différence entre MLflow et Kubeflow ?
MLflow ne nécessite pas Kubernetes et fonctionne sur des machines locales via de simples scripts Python. Kubeflow, en revanche, est conçu nativement pour les environnements Kubernetes conteneurisés. MLflow privilégie donc la flexibilité, tandis que Kubeflow cible des architectures d’orchestration à grande échelle.
Peut-on utiliser MLflow sans Databricks ?
Oui, MLflow s’installe via un simple pip install mlflow. Il peut donc fonctionner avec n’importe quel fournisseur cloud ou serveur autohébergé. Initialement créé chez Databricks, il a été cédé à la Linux Foundation précisément pour éviter tout enfermement propriétaire.
Comment MLflow gère-t-il les problèmes de conformité et de gouvernance IA ?
Chaque artefact, modèle et transition de phase dans le Model Registry génère un historique d’audit traçable. Cela répond aux exigences du Règlement européen sur l’IA (AI Act) pour les systèmes à haut risque. MLflow 3 garantit ainsi que chaque prompt et action d’agent est suivi et documenté.
MLflow supporte-t-il les pipelines RAG et les systèmes à agents multiples ?
Oui, MLflow Evaluate a été étendu pour évaluer les systèmes RAG. Il mesure notamment la pertinence de récupération des chunks de documents retournés. De plus, AgentOps dans MLflow adresse les défis des agents autonomes. Il assure la traçabilité des chaînes de raisonnement en plusieurs étapes et le débogage des appels d’outils complexes.
- Partager l'article :
Restez à la pointe de l'information avec
INTELLIGENCE-ARTIFICIELLE.COM !
