scientifique, et plus particulièrement une sous-catégorie de l’intelligence artificielle. Elle consiste à laisser des algorithmes découvrir des « patterns », à savoir des motifs récurrents, dans les ensembles de données. Ces données peuvent être des chiffres, des mots, des images, des statistiques,…1
Le génie logiciel appliqué au machine learning (ML) est une discipline à l’intersection de l’ingénierie logicielle classique et de l’intelligence artificielle qui consiste à intégrer des pratiques d’ingénierie logicielle dans le développement, le déploiement et la maintenance de systèmes basés sur des modèles d’apprentissage automatique.
Il vise à structurer, industrialiser et fiabiliser la conception, le développement et le déploiement de systèmes intégrant des modèles d’apprentissage automatique. Cette approche est devenue essentielle dans la transformation numérique, où le Machine Learning permet d’automatiser l’analyse de données, la prise de décision et la prédiction dans des domaines variés comme la santé, la finance, la vision par ordinateur ou le traitement du langage naturel2. Cependant, l’intégration du machine learning dans des systèmes logiciels industriels soulève des défis spécifiques, nécessitant une adaptation des méthodes et outils du génie logiciel traditionnel.
Le machine learning transforme les industries en automatisant les décisions complexes. Cependant, déployer des modèles ML en production nécessite une intégration robuste dans des systèmes logiciels, où le génie logiciel (GL) joue un rôle clé. Ce domaine émergent, souvent appelé MLOps (Machine Learning Operations), combine les principes du GL avec les spécificités du ML pour garantir des solutions scalables, fiables et accessibles.
