> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-fr/mlops-et-deploiement/mlops.md).

# Aperçu

Outils et plateformes Machine Learning Operations pour gérer les workflows ML sur une infrastructure GPU.

Le MLOps combine l'apprentissage automatique avec les pratiques DevOps pour rationaliser le développement, le déploiement et la supervision des modèles. Cette catégorie couvre les plateformes MLOps populaires qui aident les équipes à gérer l'ensemble du cycle de vie ML, de l'expérimentation au déploiement en production.

Déployez des plateformes ML complètes et des solutions de mise en service de modèles sur les GPU de CLORE.AI pour accélérer vos workflows d'apprentissage automatique, suivre les expériences et servir des modèles à grande échelle sur le marketplace Clore.ai.

## Guides disponibles

| Guide                                                                                           | Cas d'utilisation                             | Difficulté |
| ----------------------------------------------------------------------------------------------- | --------------------------------------------- | ---------- |
| [BentoML](/guides/guides_v2-fr/mlops-et-deploiement/bentoml.md)                                 | Plateforme de mise en service de modèles      | Moyen      |
| [ClearML](/guides/guides_v2-fr/mlops-et-deploiement/clearml.md)                                 | Plateforme MLOps complète                     | Moyen      |
| [MLflow](/guides/guides_v2-fr/mlops-et-deploiement/mlflow.md)                                   | Suivi d'expérimentation et gestion de modèles | Facile     |
| [Triton Inference Server](/guides/guides_v2-fr/mlops-et-deploiement/triton-inference-server.md) | Mise en service de modèles haute performance  | Avancé     |

## Comparaison de plateformes

| Plateforme | Idéal pour                 | Prise en charge GPU |
| ---------- | -------------------------- | ------------------- |
| BentoML    | Mise en service de modèles | Excellent           |
| ClearML    | Cycle de vie MLOps complet | Excellent           |
| MLflow     | Suivi d'expérimentations   | Bon                 |
| Triton     | Inférence à haut débit     | Excellent           |

## Workflow MLOps

1. **Expérimenter** - Suivre avec MLflow/ClearML
2. **Entraîner** - Utiliser des instances GPU pour l'entraînement des modèles
3. **Servir** - Déployer avec BentoML/Triton
4. **Surveiller** - Suivre les performances et la dérive

## Guides associés

* [Entraînement et Affinage](/guides/guides_v2-fr/entrainement/training.md)
* [Modèles de langage](/guides/guides_v2-fr/modeles-de-langage/language-models.md)


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-fr/mlops-et-deploiement/mlops.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.