Ensemble de pratiques et d'outils qui applique les principes DevOps/Agile au cycle de vie complet des modèles ML : depuis l'expérimentation (versioning du code, des données et des modèles) jusqu'à la mise en production (CI/CD pour le ML, tests automatisés, déploiement) et la surveillance continue (monitoring des performances, détection du drift, réentraînement automatisé). L'objectif est de passer d'un cycle « entraîner un modèle en notebook → le déployer manuellement » à un pipeline reproductible et fiable. Le fossé entre équipes data science (expérimentation) et ingénierie (production) est le principal obstacle culturel à surmonter.