# MLOps & Déploiement (Data Science & ML)

> MLflow, Docker, FastAPI, Streamlit, Prefect, feature stores, data pipelines, monitoring, business metrics ML, cloud deployment

- 24 questions d'entretien
- Senior
- [Questions d'entretien: Data Science & ML](https://sharpskill.dev/fr/technologies/data-science/questions-entretien.md)

## 1. Quel est le rôle principal de MLflow dans un workflow MLOps ?

**Réponse**

MLflow est une plateforme open-source qui gère le cycle de vie complet des modèles ML : tracking des expériences (métriques, paramètres, artefacts), packaging des modèles, registry centralisé et déploiement. Cela permet de reproduire les expériences et de versionner les modèles de manière standardisée.

## 2. Quelle commande permet de logger un paramètre dans MLflow ?

**Réponse**

La fonction mlflow.log_param permet d'enregistrer un paramètre d'hyperparamètre (learning rate, epochs, batch size) associé à un run. Ces paramètres sont ensuite visibles dans l'interface MLflow UI et permettent de comparer différentes configurations d'entraînement.

## 3. Quelle est la différence entre mlflow.log_metric et mlflow.log_param ?

**Réponse**

log_param enregistre des valeurs fixes définies avant l'entraînement (hyperparamètres comme learning_rate, epochs), tandis que log_metric enregistre des valeurs qui évoluent pendant ou après l'entraînement (accuracy, loss). Les métriques peuvent être loggées plusieurs fois avec des steps différents pour créer des courbes.

## 21 questions supplémentaires disponibles

- Quel est l'avantage principal d'utiliser Docker pour déployer un modèle ML ?
- Pourquoi utiliser un Dockerfile multi-stage pour une application ML ?

S'inscrire gratuitement: https://sharpskill.dev/fr/login

## Autres sujets d'entretien Data Science & ML

- [Les bases de Python](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/python-basics.md): 25 questions, Junior
- [Programmation Orientée Objet Python](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/python-oop.md): 20 questions, Junior
- [Structures de données Python](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/python-data-structures.md): 20 questions, Junior
- [Fondamentaux Git](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/git-fundamentals.md): 18 questions, Junior
- [Les bases de SQL](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/sql-basics.md): 20 questions, Junior
- [Fondamentaux NumPy](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/numpy-fundamentals.md): 22 questions, Junior
- [Les bases de Pandas](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/pandas-basics.md): 22 questions, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/jupyter-colab.md): 16 questions, Junior
- [SQL Joins & Requêtes avancées](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/sql-joins-advanced.md): 22 questions, Confirmé
- [Pandas avancé](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/pandas-advanced.md): 24 questions, Confirmé
- [Visualisation avec Matplotlib & Seaborn](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/matplotlib-seaborn.md): 20 questions, Confirmé
- [Visualisations interactives avec Plotly](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/plotly-interactive.md): 18 questions, Confirmé
- [Statistiques descriptives](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/statistics-descriptive.md): 20 questions, Confirmé
- [Statistiques inférentielles](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/statistics-inferential.md): 24 questions, Confirmé
- [Web Scraping](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/web-scraping.md): 18 questions, Confirmé
- [BigQuery & Cloud Data](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/bigquery-cloud.md): 18 questions, Confirmé
- [Feature Engineering](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/feature-engineering.md): 22 questions, Confirmé
- [ML Supervisé : Régression](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-supervised-regression.md): 24 questions, Confirmé
- [ML Supervisé : Classification](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-supervised-classification.md): 24 questions, Confirmé
- [Arbres de décision & Ensembles](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-trees-ensembles.md): 24 questions, Confirmé
- [ML Non supervisé](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-unsupervised.md): 22 questions, Confirmé
- [Pipelines ML & Validation](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-pipelines-validation.md): 22 questions, Confirmé
- [Séries temporelles & Prévisions](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/time-series-forecasting.md): 22 questions, Confirmé
- [Fondamentaux Deep Learning](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/deep-learning-fundamentals.md): 24 questions, Senior
- [TensorFlow & Keras](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/tensorflow-keras.md): 22 questions, Senior
- [CNN & Classification d'images](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/cnn-image-classification.md): 24 questions, Senior
- [RNN & Séquences](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/rnn-sequences.md): 22 questions, Senior
- [Transformers & Attention](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/transformers-attention.md): 24 questions, Senior
- [NLP & Hugging Face](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/nlp-huggingface.md): 24 questions, Senior
- [GenAI & LangChain](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/genai-langchain.md): 24 questions, Senior

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/fr/technologies/data-science/questions-entretien/mlops-deployment