« Quand un modèle est en production et qu’une application prend des décisions basées sur ses prédictions, il faut pouvoir faire confiance au système », rencontre avec Jordan Hirbec, consultant confirmé et formateur chez OCTO Technology

Dans un contexte où les modèles de Machine Learning prennent une place croissante dans les décisions métier, les organisations doivent désormais garantir leur fiabilité, leur traçabilité et leur robustesse. Le MLOps s’impose comme la réponse incontournable à ces enjeux, en apportant des méthodes et des outils permettant d’industrialiser les modèles de manière durable.

Chez OCTO Academy, nous accompagnons depuis plusieurs années les équipes data dans cette montée en compétence, notamment à travers notre parcours MLOps. Aujourd’hui, nous enrichissons ce catalogue avec une nouvelle formation dédiée à l’écosystème Databricks : Maîtriser le MLOps moderne avec Databricks.

Pour présenter cette formation et partager un retour d’expérience terrain, nous avons interviewé Jordan Hirbec, consultant confirmé au sein de la tribu MLOps d’OCTO Technology. Depuis deux ans, Jordan intervient sur des projets de mise en production de modèles et de maintenance prédictive, avec une pratique intensive de Databricks. Son expertise opérationnelle, alliée à une vision claire des enjeux MLOps, offre un éclairage précieux sur les défis actuels des équipes data et sur les bonnes pratiques à adopter.

Découvrez son regard, ses conseils et les raisons pour lesquelles Databricks constitue aujourd’hui une plateforme de choix pour structurer une démarche MLOps moderne et efficace.

Je m’appelle Jordan Hirbec et je suis consultant confirmé au sein de la tribu MLOps d’OCTO Technology depuis deux ans. Aujourd’hui, j’interviens chez TDF sur des sujets de mise en production de modèles de Machine Learning et de maintenance prédictive. Concrètement, je construis des modèles capables d’anticiper des anomalies sur des capteurs industriels afin de prévenir les pannes.

Dans ce type de contexte, Databricks est un outil extrêmement utilisé dans les grandes entreprises. Il permet de traiter, structurer et exploiter la donnée, qui est toujours le point de départ d’un projet ML. Cela fait maintenant deux ans que je travaille intensivement avec cette plateforme, et j’ai eu envie de partager cette expérience.

Au sein de ma tribu, nous avons déjà une formation MLOps en trois niveaux. J’ai animé le niveau intermédiaire, qui repose beaucoup sur des solutions open source. Je me suis alors demandé comment proposer la même montée en compétence lorsque les clients utilisent des solutions propriétaires comme AWS, GCP ou Azure. Databricks s’est imposé comme un excellent cas d’usage pour répondre à ce besoin.

Comment définirais-tu le MLOps aujourd’hui, et pourquoi est-il devenu un enjeu stratégique pour les entreprises ?

Pour moi, le MLOps, c’est la mise en production de modèles de Machine Learning de manière robuste, reproductible et gouvernée.

Les entreprises y trouvent des bénéfices essentiels :

• la reproductibilité des modèles,
• la maintenance et le suivi dans le temps,
• l’auditabilité et la gouvernance,
• la capacité à garantir que les prédictions reposent sur des éléments factuels et fiables.

Quand un modèle est en production et qu’une application prend des décisions basées sur ses prédictions, il faut pouvoir faire confiance au système. Le MLOps permet justement d’assurer cette fiabilité, tout en optimisant les performances business.

En résumé, c’est l’industrialisation du Machine Learning : rendre une solution robuste, stable et durable.

Qu’est-ce qui rend Databricks particulièrement pertinent pour structurer une démarche MLOps robuste ?

Databricks regroupe une multitude de briques qui facilitent la mise en place d’une démarche MLOps complète.

Le point de départ, c’est la donnée. Avec Unity Catalog, toutes les données sont centralisées, ordonnées et accessibles. Cela permet de construire des modèles sur une base saine et cohérente.

Ensuite, Databricks propose des outils qui rendent le déploiement robuste et reproductible, tout en s’adaptant au contexte de chaque entreprise. C’est une plateforme tout-en-un, ce qui évite d’avoir des outils dispersés et difficiles à maintenir.

Quel est le but de cette formation et quels problèmes concrets elle aide à résoudre ?

Cette formation s’adresse principalement à celles et ceux qui créent des modèles dont des data scientists, analystes, statisticiens, data engineers, ML engineers, développeurs et qui se demandent :

« Comment mettre en production un modèle de la bonne manière ? »

Nous abordons les problèmes classiques rencontrés en production, notamment :

• la dérive des données,
• les capteurs qui évoluent ou s’usent,
• les prédictions qui changent dans le temps,
• la gestion des incidents et des retours en arrière.

L’idée est de comprendre comment suivre les données, comment réagir lorsqu’elles bougent, et comment maintenir un système fiable.

À quels types de profils s’adresse-t-elle ?

• Data Scientists
• Analysts
• Statisticiens
• Data Engineers
• ML Engineers
• Développeurs

Quels prérequis sont nécessaires ?

• Une base en programmation Python,
• Savoir modéliser et développer un modèle de data science simple.

Quels types d’exercices ou de projets concrets les participants réalisent ils ?

Les participants suivent un fil rouge basé sur un cas réel : par exemple, prédire l’apparition d’une maladie et mettre ce modèle en production.

J’introduis ensuite des événements réalistes :

• drift de données,
• incidents,
• changements de distribution.

Nous voyons ensemble comment diagnostiquer et résoudre ces situations.

L’enseignement clé : la robustesse et la fiabilité.

En quoi cette formation se distingue-t-elle des autres offres du marché ?

J’y apporte directement mon retour d’expérience terrain, ce qui permet d’anticiper les erreurs fréquentes et de comprendre comment les éviter.

C’est une formation pratique, concrète et orientée production.

Quels sont les principaux irritants que le MLOps moderne permet de résoudre dans les équipes data ?

Le MLOps permet de garantir la robustesse et la fiabilité des systèmes.

Databricks, en particulier, offre une plateforme unifiée où la donnée est au cœur du système, ce qui facilite énormément l’application des principes MLOps.

Quels bénéfices mesurables les organisations constatent-elles ?

Elles gagnent en :

• fiabilité,
• anticipation des problèmes,
• cohérence des prédictions,
• maîtrise des coûts liés aux erreurs ou aux modèles obsolètes.

Le MLOps repose sur des principes préventifs : il permet de s’assurer que les prédictions restent les plus sûres possibles.

Quels sont les atouts majeurs de Databricks pour industrialiser le ML ?

C’est une solution tout-en-un qui répond à tous les principes du MLOps et qui permet de centraliser l’ensemble du suivi.

Quelles fonctionnalités les participants apprennent-ils à utiliser ?

• MLflow
• Feature Store
• Unity Catalog
• Asset Bundles  

et d’autres selon les besoins du cas pratique.

Comment vois-tu évoluer les pratiques MLOps dans les prochaines années ?

Nous allons naturellement évoluer vers le LLMOps, avec l’essor des modèles génératifs et des systèmes agentiques.

Les principes du MLOps resteront valables, mais devront être adaptés à ces nouveaux usages.

Quels nouveaux défis les organisations devront-elles relever ?

• le non‑déterminisme des modèles,
• les hallucinations,
• la cohérence des réponses,
• la gouvernance des prompts,
• la traçabilité des versions.

Des outils comme MLflow permettent déjà de suivre l’historique des modèles et des prompts.

Le prochain grand use case sera celui des systèmes agentiques ultra spécialisés, notamment via le RAG.

Pourquoi, selon toi, quelqu’un devrait-il s’inscrire à cette formation maintenant ?

Si tu utilises Databricks et que tu veux pratiquer sur des cas réels, comprendre comment mettre en production un modèle et éviter les pièges, cette formation est faite pour toi.

Je t’y montre :

• la bonne manière de mettre en production un modèle,
• les principes MLOps essentiels,
• les pièges à éviter,
• et les bonnes pratiques pour construire un système fiable et durable