Les histoires d’horreur ont souvent le même début : un voyageur intrépide se dirige vers un lieu reculé et inconnu. Les signes inquiétants commencent à s’accumuler, mais malgré ses doutes, il persévère. Ou un cadeau est laissé sur son bureau, un modèle avec une requête banale : déploie-le en production !

Les problèmes liés à la mise en production sont fréquemment les plus effrayants et exaspérants, encore avant que quelqu'un n'ose toucher la solution. C'est sans oublier la question du modèle de machine learning, qui possède son propre caractère, et de tous les défis que cela entraîne.

Cette histoire tourne au cauchemar pour l’équipe d’engineering, pendant ce temps l’équipe des data scientists fête les performances de son modèle. Les données d’inférence, qui ne respectent pas les règles du jeu et ne correspondent pas aux données d’entraînement. Ou encore, la prochaine version du modèle, qui détruit le travail déjà effectué, et nos espoirs pour la fin du projet réussie.

Et après des semaines d'efforts acharnés, l’équipe réussit à corriger les erreurs, rendre le modèle conforme aux données et commencer à respirer plus tranquillement. Tout cela pour recommencer à zéro avec le projet suivant.

Certaines batailles nous laissent des cicatrices, et si on essayait de les éviter ?