Versioning Modèles IA : Gestion Versions

Le versioning des modèles IA n’est pas un luxe pour les grandes entreprises. C’est une obligation technique pour tout système IA à haut risque sous l’AI Act. Impossible de prouver la conformité sans historique complet des versions.

Le problème ? Les modèles ML ne sont pas du code. Un modèle de deep learning peut peser plusieurs gigaoctets. Les outils classiques (Git) ne suffisent pas. Il faut des solutions spécialisées : DVC, MLflow, Model Registry.

Ce guide vous montre comment implémenter un versioning robuste, des outils à choisir jusqu’au rollback en production, en passant par les bonnes pratiques de la validation modèles IA.

Par Loïc Gros-Flandre

Directeur de Modernee – Agence IA & Fondateur de Soignant Voice Application médical. Expert en conformité IA et transformation digitale des entreprises.

🎯 Spécialiste AI Act • 💼 MLOps • 🔧 DevOps IA

🔄 Pourquoi le Versioning est Obligatoire sous l’AI Act

L’AI Act impose une traçabilité complète des systèmes IA à haut risque. Le versioning est la pierre angulaire de cette traçabilité.

Photo par Campaign Creators sur Unsplash

📜 Exigences AI Act (Annexe IV)

L’AI Act exige que la documentation technique inclue :

• 📋 Historique des versions — Toutes les versions du système
• 📋 Modifications documentées — Changements entre versions
• 📋 Traçabilité données-modèle — Lien entre données et version
• 📋 Capacité de rollback — Retour à une version antérieure
• 📋 Conservation 10 ans — Après mise sur le marché

🎯 Les 5 Raisons Business du Versioning

« Lors d’un audit, la première question est : montrez-moi l’historique des versions. Sans réponse claire, l’audit s’arrête là. »

— Lead MLOps, cabinet de conseil Big Four

🛠️ Git vs Git LFS vs DVC : Quel Outil Choisir ?

Le versioning ML n’est pas du versioning code classique. Les modèles peuvent peser plusieurs gigaoctets. Voici les options.

Photo par Scott Graham sur Unsplash

📊 Comparatif des Outils

🎯 Recommandation par Cas d’Usage

• 💻 Startup, modèles légers (<500 Mo) — Git LFS suffit
• 🏢 ETI, plusieurs modèles — DVC + MLflow
• 🏭 Grande entreprise, LLM — DVC + Model Registry dédié
• ☁️ Full cloud (AWS/GCP/Azure) — Services managés (SageMaker, Vertex AI)

📦 DVC : Versioning Données et Modèles

DVC (Data Version Control) est l’outil de référence pour versionner les gros fichiers ML tout en gardant la compatibilité Git.

⚙️ Fonctionnement de DVC

DVC ajoute une couche au-dessus de Git :

• 1️⃣ Fichiers légers (.dvc) — Stockés dans Git, contiennent le hash
• 2️⃣ Fichiers volumineux — Stockés sur S3/GCS/Azure, référencés par hash
• 3️⃣ Synchronisation — `dvc push` / `dvc pull` comme Git
• 4️⃣ Pipelines — Définition des étapes d’entraînement

📝 Exemple de Configuration DVC

my-ml-project/
├── .git/                    # Repo Git
├── .dvc/                    # Config DVC
│   └── config               # Stockage distant
├── data/
│   ├── train.csv            # Données (ignorées par Git)
│   └── train.csv.dvc        # Métadonnées (versionnées)
├── models/
│   ├── model.pkl            # Modèle (ignoré par Git)
│   └── model.pkl.dvc        # Métadonnées (versionnées)
├── src/
│   └── train.py             # Code (versionné par Git)
├── dvc.yaml                 # Pipeline DVC
└── dvc.lock                 # Versions verrouillées
                

🔧 Commandes DVC Essentielles

📚 Model Registry : Catalogue Centralisé

Le Model Registry est le catalogue centralisé de tous vos modèles. Il complète DVC en ajoutant la gestion du lifecycle.

Photo par Carlos Muza sur Unsplash

📋 Fonctionnalités d’un Model Registry

• 📦 Stockage centralisé — Tous les modèles au même endroit
• 🏷️ Versioning sémantique — v1.0.0, v1.1.0, v2.0.0
• 📊 Métriques attachées — Accuracy, F1, latence
• 🔄 Statuts lifecycle — Staging, Production, Archived
• 📝 Métadonnées — Auteur, date, description, Model Card
• 🔗 Lineage — Lien vers données et code d’entraînement

🏆 Comparatif Model Registries

⏪ Procédure de Rollback en Production

Le rollback est la capacité à revenir à une version précédente du modèle. C’est l’assurance-vie de votre système IA.

🚨 Scénarios Nécessitant un Rollback

• ⚠️ Dérive de performance — Accuracy en chute
• ⚠️ Biais détecté — Discrimination en production
• ⚠️ Bug critique — Prédictions erronées
• ⚠️ Latence dégradée — Temps de réponse trop lent
• ⚠️ Incident sécurité — Vulnérabilité découverte

📋 Procédure de Rollback (4 Étapes)

📦 Quels Artefacts Versionner ?

Un modèle seul ne suffit pas. Pour garantir la reproductibilité et la conformité, vous devez versionner un ensemble complet d’artefacts.

✅ Artefacts Obligatoires

🏷️ Convention de Nommage (Semantic Versioning)

Adoptez le Semantic Versioning pour vos modèles :

• 🔢 MAJOR.MINOR.PATCH — Ex: v2.1.3
• 📈 MAJOR — Changement d’architecture, incompatible
• ➕ MINOR — Nouvelles features, rétrocompatible
• 🔧 PATCH — Corrections, optimisations

❓ Questions Fréquentes – Versioning Modèles IA

✅ Conclusion : Versioning = Fondation MLOps

Le versioning des modèles n’est pas une option nice-to-have. C’est la fondation technique de toute démarche MLOps et de conformité AI Act.

Mettez en place votre versioning avant l’entrée en vigueur de l’AI Act.