Quel est le cycle de vie d’un projet ML ?

La réponse courte

Un projet de machine learning n’est pas « entraîner puis livrer ». C’est une boucle en cinq temps, et le dernier ramène au premier.

1. Cadrer. Décision, grain, action, mesure de succès, coût de l’erreur. Sans ça, les quatre étapes suivantes optimisent une question mal posée.
2. Rassembler et comprendre les données. Disponibilité à l’instant de prédire, qualité, étiquettes, délais. C’est presque toujours le goulot. Le modèle attend.
3. Modéliser. Heuristique d’abord, puis un modèle, une mesure sur des cas réservés, une comparaison honnête. Cette étape est la plus visible et souvent la moins longue.
4. Déployer. Servir une prédiction dans le process réel : job, API, fichier, file. Versionner ce qui part. Prévoir le retour arrière.
5. Suivre, puis recommencer. Le monde bouge. On surveille l’usage, la valeur métier, la santé du service, et on décide de réentraîner, de recadrer, ou d’arrêter.

La flèche qui manque aux schémas d’école : le suivi n’est pas une cerise, c’est le moteur. Un modèle livré sans propriétaire ni rythme de revue est un projet terminé sur le papier et vivant dans le réel.

Ce que l’intervieweur vérifie

Que vous ne racontez pas une histoire qui s’arrête au meilleur score. Beaucoup de candidats décrivent l’étape 3 avec précision et expédient le reste. On attend l’inverse : vous savez où se passe le travail, et ce n’est pas dans le choix de l’estimateur.

Vous mentionnez aussi que les étapes se chevauchent. On découvre au déploiement qu’une variable n’existe pas à l’heure dite. On découvre au suivi que personne n’ouvre le score. On revient au cadrage. Ce n’est pas un échec de planning, c’est le métier.

La relance probable

« Où mettez-vous l’exploration, les essais, le réglage ? »

Dans l’étape modèle, et seulement après qu’une heuristique et une mesure existent. Explorer sans barre, c’est collectionner des carnets.

« Et la mise en production, c’est de l’informatique, non ? »

C’est de l’informatique du modèle : mêmes variables, même version, même contrat. Si cette étape n’appartient à personne, le data scientist a livré un fichier, pas un système.

La phrase qui structure : cadrer, nourrir, apprendre, servir, surveiller. Quatre verbes autour du modèle, un seul pour le modèle.