Un modèle d'IA qui fonctionne en recette peut se dégrader en production en quelques jours, sans qu'aucune ligne de code n'ait changé. Les données évoluent, une nouvelle version est déployée trop vite, et l'équipe découvre qu'elle ne sait plus quelle version tourne réellement ni comment revenir à la précédente. C'est précisément ce que la gestion des versions modèles IA permet d'anticiper.
La gestion des versions de modèles IA répond précisément à ce risque. Elle permet de tracer chaque itération, de comparer les candidats, de déployer progressivement et, surtout, de revenir en arrière en quelques minutes plutôt qu'en quelques jours. Voici les pratiques que nous recommandons aux équipes techniques qui exploitent des modèles en production.
Gestion des versions de modèles IA et rollback en production
1. Gestion des versions de modèles IA, de quoi parle-t-on exactement ?
2. Pourquoi versionner les données en plus du modèle
3. Git suffit-il pour versionner un projet de machine learning ?
4. Comment enregistrer et gérer une version de modèle avec MLflow
5. Quelle différence entre une version et un alias de modèle ?
6. Rollback modèle IA : revenir en arrière rapidement
7. Déploiement progressif d'un modèle machine learning : canari, blue/green, A/B
8. Tracer la lignée d'un modèle pour l'audit et la conformité
9. Checklist de mise en production : que vérifier avant de déployer une nouvelle version
10. Aller plus loin avec la gestion des versions de modèles IA
11. FAQ
Temps de lecture : 9 minutes
Gestion des versions de modèles IA, de quoi parle-t-on exactement ?
Définition opérationnelle de la gestion des versions de modèles
La gestion des versions de modèles IA consiste à identifier, conserver et comparer les différentes itérations d'un modèle, tout en reliant chacune d'elles à son contexte de création : le code, les données, les paramètres, les métriques et l'exécution d'entraînement (le run) qui l'a produite. Une version de modèle n'est donc pas un simple fichier sauvegardé avec une date dans son nom. C'est un artefact de modèle accompagné de métadonnées suffisantes pour qu'une autre personne puisse comprendre d'où il vient, ce qu'il fait et dans quelles conditions il a été validé.
Dans MLflow, par exemple, un modèle enregistré porte un nom commun et chaque nouveau modèle ajouté sous ce nom reçoit un numéro de version croissant. La documentation officielle de MLflow Model Registry décrit également la lignée du modèle (lineage) comme le lien entre la version enregistrée et l'expérience ou l'exécution qui l'a produite. C'est cette lignée qui rend possibles l'audit et la traçabilité.
Sur les SI que nous accompagnons, le constat est récurrent : le versionnage de modèles de machine learning est souvent traité comme un sujet d'outillage, alors qu'il s'agit d'abord d'une question de maîtrise opérationnelle. Une entreprise qui ne sait pas dire quelle version d'un modèle a pris une décision un jour donné ne peut ni corriger rapidement un incident, ni répondre à une demande d'explication d'un client ou d'un auditeur.
Pourquoi versionner les données en plus du modèle
Assurer la reproductibilité grâce aux données
Versionner le modèle seul ne suffit pas. Un modèle est le produit d'un code, d'une configuration et d'un jeu de données. Si l'un de ces trois éléments n'est pas traçable, la reproductibilité disparaît. Vous pouvez retrouver le fichier du modèle, mais vous ne saurez pas pourquoi il se comporte ainsi, ni comment le réentraîner à l'identique.

Le versionnage des données est d'autant plus critique que la dérive des données (data drift) est la première cause de dégradation que nous observons chez nos clients. Quand les performances baissent, la première question est toujours la même : sur quelles données ce modèle a-t-il été entraîné, et en quoi diffèrent-elles de celles qu'il reçoit aujourd'hui ? Sans version des données d'entraînement, cette comparaison devient une enquête au lieu d'être une vérification.
Git suffit-il pour versionner un projet de machine learning ?
Git reste indispensable pour le code et la configuration, mais il n'est pas conçu pour suivre des jeux de données volumineux ni des artefacts de plusieurs gigaoctets. C'est là qu'intervient DVC (Data Version Control). Selon sa documentation officielle, DVC ne remplace pas Git : il s'appuie sur lui pour suivre de petits fichiers de métadonnées qui représentent les versions des données et des pipelines, tandis que les fichiers volumineux sont stockés hors du dépôt, dans un espace de stockage dédié.
Concrètement, versionner données et modèles avec DVC permet qu'un commit Git référence à la fois un état du code et un état des données. Revenir à un commit revient alors à retrouver l'ensemble du contexte d'entraînement. Nous voyons encore trop souvent des équipes stocker directement leurs jeux de données dans Git, ce qui alourdit le dépôt, ou à l'inverse les laisser sur un partage réseau sans aucune référence de version, ce qui rend toute reproduction hasardeuse.
Le tableau suivant résume le rôle de chaque élément dans le suivi des versions.
Rôle de chaque élément dans le suivi des versions d'un modèle
• Élément: Code et configuration Rôle dans le suivi des versions: Décrivent la logique et les paramètres du projet Outil typique: Git
• Élément: Données Rôle dans le suivi des versions: Doivent être identifiables et reliées aux expériences Outil typique: DVC, en complément de Git
• Élément: Exécution d'entraînement Rôle dans le suivi des versions: Conserve paramètres, métriques et artefacts d'une expérience Outil typique: MLflow Tracking
• Élément: Modèle enregistré Rôle dans le suivi des versions: Artefact associé à une version et à des métadonnées Outil typique: MLflow Model Registry
• Élément: Alias Rôle dans le suivi des versions: Référence modifiable vers une version, utilisée par un service Outil typique: MLflow Model Registry
Comment enregistrer et gérer une version de modèle avec MLflow
MLflow distingue deux briques complémentaires. MLflow Tracking conserve les informations d'exécution et les artefacts, c'est le suivi des expériences (experiment tracking). Le registre de modèles (model registry) gère les versions, leurs métadonnées et les références vers ces éléments. Le workflow recommandé par la documentation officielle se déroule en plusieurs étapes.
D'abord, le modèle issu d'une exécution est journalisé avec la méthode log_model correspondant à son type. Il peut être inscrit dans le registre pendant cette opération, ou enregistré d'abord puis inscrit ensuite. Ensuite, il est rattaché à un modèle enregistré existant, ce qui crée automatiquement une nouvelle version, ou à un nouveau nom. Troisième étape, l'équipe ajoute une description et des tags : tâche visée, données utilisées, méthode, état de validation. MLflow prend en charge les tags et les annotations au niveau du modèle comme de chaque version.
Avant toute promotion d'une version, le registre permet d'inspecter la signature du modèle (le schéma des entrées et sorties attendues), l'exécution source, la date de création, les tags et la description. Ces éléments constituent la matière d'une revue interne. Selon notre expérience, c'est cette revue, plus que l'outil lui-même, qui fait la différence : une version sans description ni tags est difficile à examiner et presque impossible à transmettre à un collègue six mois plus tard.
Quelle différence entre une version et un alias de modèle ?
C'est la distinction la plus importante pour maîtriser le retour arrière. Un numéro de version identifie une entrée figée dans l'historique du modèle. Un alias de modèle est une référence nommée et modifiable qui pointe vers une version précise. Dans les versions récentes de MLflow, les alias ont remplacé l'ancienne logique des étapes (stages) pour désigner le modèle actif.
Le bénéfice est direct : le code de service appelle l'alias, par exemple « production » ou « champion », plutôt qu'un numéro de version codé en dur. Promouvoir une nouvelle version revient à déplacer l'alias. Revenir à une version précédente d'un modèle revient à le replacer sur l'ancienne. Aucun redéploiement du code applicatif n'est nécessaire, ce qui sépare proprement l'historique des versions du nom utilisé par les services.
À retenir
Le numéro de version raconte l'histoire, l'alias désigne le présent. Ne codez jamais un numéro de version en dur dans une application de production, sinon chaque changement de modèle devient un changement de code.
Rollback modèle IA : revenir en arrière rapidement
Les trois conditions d'un retour arrière fiable
La capacité à revenir en arrière est le véritable test de maturité d'une chaîne MLOps. Sur les projets que nous pilotons, nous demandons systématiquement qu'un rollback ait été exercé avant la première mise en production, et non découvert le jour de l'incident. Ce que nous appelons un rollback crédible repose sur trois conditions.

Première condition, la version précédente doit toujours exister dans le registre, avec ses artefacts intacts et ses dépendances disponibles. Supprimer ou archiver trop vite une version validée revient à scier la branche sur laquelle on est assis. Deuxième condition, le mécanisme de bascule doit être simple et documenté : réaffecter un alias, puis vérifier que le service a bien rechargé la bonne version. Troisième condition, les données d'entrée doivent rester compatibles. Si la nouvelle version a introduit une transformation de variables ou un schéma différent, la signature du modèle permet de détecter l'incompatibilité avant la bascule.
Le monitoring en production est le déclencheur du rollback. Il faut définir à l'avance les métriques de performance surveillées, les seuils d'alerte et la personne habilitée à décider du retour arrière. Une équipe qui débat de ces règles pendant l'incident perd un temps précieux. Pour aller plus loin sur la surveillance continue, nous détaillons le suivi de dérive et la tenue d'un registre dans notre article sur la gouvernance des modèles IA.
Déploiement progressif d'un modèle machine learning : canari, blue/green, A/B
Le meilleur rollback est celui qu'on n'a pas à faire en urgence. Le déploiement progressif limite l'exposition d'une nouvelle version avant de la généraliser. Trois approches coexistent et répondent à des besoins différents.
Le déploiement canari envoie une petite fraction du trafic vers la nouvelle version, tandis que la majorité reste sur la version en place. Si les indicateurs restent stables, la part augmente par paliers. Le déploiement blue/green maintient deux environnements complets en parallèle : l'un sert le trafic, l'autre accueille la nouvelle version, et la bascule se fait d'un bloc, avec la possibilité de revenir instantanément à l'environnement précédent. Le test A/B, enfin, n'a pas pour but premier la sécurité du déploiement, mais la comparaison : il répartit le trafic entre deux versions pour mesurer laquelle produit le meilleur résultat métier.
Comment faire un A/B test entre deux versions d'un modèle IA ?
Pour comparer deux versions d'un modèle IA en production de façon fiable, quelques règles s'imposent :
• définir avant le test la métrique métier qui tranchera, et pas seulement une métrique technique comme la précision ;
• répartir le trafic de manière aléatoire et stable, pour qu'un même utilisateur ou un même dossier reste sur la même version ;
• journaliser pour chaque prédiction la version qui l'a produite, faute de quoi l'analyse est impossible ;
• fixer à l'avance la durée ou le volume nécessaire pour conclure, plutôt que d'arrêter le test dès qu'un écart favorable apparaît ;
• prévoir un critère d'arrêt anticipé si l'une des versions dégrade nettement le service.
Dans un registre MLflow, deux alias distincts, par exemple « champion » et « challenger », permettent de désigner clairement les deux candidats. Lorsque le challenger l'emporte, il suffit de déplacer l'alias « champion ». L'industrialisation de ce type de dispositif, au delà du POC, fait partie de ce que nous structurons avec les équipes dans nos missions de pilotage de projets et de mise à l'échelle.
Bon à savoir
Le versionnage sémantique (SemVer), avec ses numéros majeur, mineur et correctif, peut compléter utilement les numéros automatiques du registre. Une version majeure signale par exemple un changement de signature incompatible avec les applications clientes.
Tracer la lignée d'un modèle pour l'audit et la conformité
Au delà de l'exploitation, la traçabilité devient une exigence de gouvernance. Le règlement européen sur l'IA, adopté par le Parlement européen, impose notamment des obligations de documentation technique et de journalisation pour les systèmes classés à haut risque. Une lignée complète, reliant chaque version à ses données, son code, son exécution et ses validations, constitue la base factuelle de cette documentation.
Ce que nous constatons chez nos clients, c'est que la traçabilité construite dès le départ coûte peu, alors que la reconstituer a posteriori est long et souvent incomplet. Les tags, descriptions et annotations du registre jouent ici un rôle d'archive : qui a validé, sur quels critères, avec quels résultats. Nous abordons l'outillage plus large de cette chaîne dans notre guide LLMOps pour l'entreprise.
Checklist de mise en production : que vérifier avant de déployer une nouvelle version
Points de contrôle principaux
Avant de promouvoir une version, l'équipe devrait pouvoir répondre oui à chacune de ces questions :

• la version possède un nom et un identifiant compréhensibles, et l'exécution source est identifiable ;
• les artefacts, les données, le code et la configuration associés sont traçables ;
• les paramètres et métriques de performance utiles sont conservés et comparés à ceux de la version en place ;
• la description explique l'objectif et les changements, et les tags indiquent clairement le statut ;
• la signature du modèle est compatible avec les applications qui le consomment ;
• les contrôles de l'équipe sont documentés et la personne qui a validé est identifiée ;
• le mode de déploiement progressif est choisi et les seuils de monitoring sont définis ;
• l'alias de production pointe vers la version attendue, et la procédure de retour à la version précédente a été testée.
Cette checklist synthétise les fonctions de lignée, de versionnage, de tags, d'annotations et d'alias documentées par MLflow, ainsi que le suivi des données et des pipelines décrit par DVC. Elle doit être intégrée au pipeline ML, idéalement sous forme de contrôles automatiques, plutôt que tenue à la main.
Aller plus loin avec la gestion des versions de modèles IA
La gestion des versions de modèles IA n'est pas un raffinement réservé aux grandes équipes de data science. C'est la condition pour exploiter un modèle en production sans subir ses évolutions. Les bonnes pratiques MLOps de versionnage tiennent en quelques principes : versionner ensemble code, données et modèles, séparer les numéros de version des alias utilisés par les services, déployer progressivement et avoir exercé le rollback avant d'en avoir besoin. Les outils comme MLflow et DVC fournissent les mécanismes, mais c'est la discipline d'équipe qui en fait une garantie. Sur les projets que nous accompagnons, c'est souvent ce socle qui distingue un POC prometteur d'un service sur lequel l'entreprise peut réellement s'appuyer.
Pour conclure sur la gestion des versions de modèles IA
En synthèse, structurer la gestion des versions de modèles IA permet de garder la maîtrise sur des systèmes qui évoluent en continu : chaque modèle est relié à son historique, chaque déploiement est réversible, et chaque décision peut être justifiée a posteriori. En combinant des outils adaptés et une discipline d'équipe, il devient possible de faire évoluer les modèles au rythme du métier sans sacrifier la robustesse opérationnelle ni la conformité.
FAQ
Combien de versions d'un modèle faut-il conserver dans le registre ?
Il n'existe pas de règle universelle. Nous recommandons de conserver au minimum toutes les versions ayant été en production, ainsi que celles nécessaires aux obligations d'audit de votre secteur. Les versions purement expérimentales peuvent être archivées selon une politique écrite et validée.
Le versionnage s'applique-t-il aussi aux modèles fournis par un éditeur tiers ?
Oui. Même si vous n'entraînez pas le modèle, vous devez tracer quelle version du fournisseur est utilisée, avec quels paramètres et quelles instructions. Un changement de version côté éditeur peut modifier le comportement de votre application sans aucune intervention de votre part.
Qui doit décider de la promotion d'une version en production ?
La validation technique revient à l'équipe qui opère le modèle, mais la décision doit associer le responsable métier dès que la version affecte un processus client ou une décision sensible. Les rôles doivent être définis avant le premier déploiement, pas pendant un incident.
Un rollback suffit-il à résoudre une dérive des données ?
Pas toujours. Si la dérive provient d'un changement durable dans les données d'entrée, l'ancienne version risque elle aussi de se dégrader. Le rollback stabilise la situation à court terme, puis un réentraînement sur des données à jour est généralement nécessaire.
MLflow est-il compatible avec un hébergement souverain ?
MLflow est un outil open source qui peut être installé sur une infrastructure de votre choix, y compris chez un hébergeur situé en France ou dans l'Union européenne. Le registre, les artefacts et les métadonnées restent alors sous votre contrôle.















































































