DataOps, DevOps, MLOps… qu’est-ce que c’est, quelles sont les différences ?

cover dataOPS devOPS MLOps

DataOps, DevOps, MLOps… qu’est-ce que c’est, quelles sont les différences ?

Share on twitter
Share on linkedin
Share on pinterest
Share on reddit
Share on pocket
Share on email

DataOps, DevOps, MLOPs… Vous avez sûrement déjà croisé l’un de ces termes sans savoir exactement de quoi il s’agissait.

Soyons honnête, le monde de la tech raffole de terminologies nouvelles, d’anglicismes et d’abréviations, ce qui rend parfois le discours de certains spécialistes particulièrement obscur pour le néophyte.

Il y a très certainement des effets de mode et de marketing. Cependant, pour tous ces termes en -Ops qui nous intéressent aujourd’hui, il y a bien une histoire et une raison d’exister (même si l’imagination de certains va parfois trop loin).
Retour dans cet article sur l’origine de ces termes, leurs sens et les principales variantes.

À l’origine, le DevOps pour donner un cadre au développement informatique.

Le premier terme en -Ops à se répandre a été le DevOps. Il s’agit de la contraction (en anglais) de « Development » et « Operations ».

« Development » désigne le développement informatique (logiciel, application web… réalisés par des développeurs). Tandis que « Operations » désigne l’aspect opérationnel de la mise en production de ces logiciels (réalisé par les équipes IT sur l’infrastructure, la maintenance, etc.).

DevOps désigne une méthode de travail, un ensemble de recommandations quant à l’organisation et le management des équipes ainsi que des process à suivre pour la réalisation de projets informatiques. Mais pourquoi une méthode spécifique à ce domaine est-elle nécessaire ?

Avant le DevOps, des méthodes inadaptées au développement

Avec la révolution digitale, les entreprises se sont peu à peu rendus comptes que les méthodes utilisées auparavant pour la gestion de projet n’était pas adaptées au développement informatique.

En effet, le développement informatique a ses besoins et ses contraintes propres. C’est d’ailleurs intéressant de noter que le développement est sûrement la seule industrie où les défauts à la livraison (les bugs) sont tolérés et presque attendus.

Ainsi, l’approche waterfall, par exemple, couramment utilisée avant le DevOps et qui consiste à finaliser chaque étape d’un projet avant de passer à l’étape suivante, s’est montrée inefficace et a conduit à de nombreux projets avortés.

L’apparition du DevOps comme cadre de travail

Le DevOps est aujourd’hui très répandu dans l’industrie informatique. L’une des principales caractéristiques de cette approche a été de faire collaborer étroitement les équipes de développeurs (Dev) et les équipes IT (Ops), d’où son nom.

Auparavant, les développeurs travaillaient de leur côté puis livraient une application aux équipes IT. Cependant, n’importe quelle application nécessite des corrections et des ajustements. Or le manque d’implication des développeurs dans le déploiement et vice versa conduisait à des retards, des dysfonctionnements voire des applications inadaptées car les besoins du client avaient changé entre temps.

À l’inverse, le DevOps favorise dès le début cette collaboration et met en avant une approche itérative du travail plutôt qu’une approche par étape. Le DevOps se base en particulier sur des principes Agile.

Mais le DevOps ne s’arrête pas seulement à une approche Agile, il intègre beaucoup d’autres principes, dont vous pouvez trouver les détails dans cet article d’Atlassian, fournisseur d’outils de travail adaptés au DevOps.

DataOps : le pendant du DevOps en data science

S’inspirant du DevOps, on voit apparaître ces dernières années de nouvelles terminologies, notamment le DataOps, qui est l’équivalent du DevOps pour des projets de science des données.

Bis-repetita : la collecte et l’exploitation des données a provoqué de nombreux changements à partir de 2010

Au même titre que le développement informatique par le passé, l’intensification de la collecte et de l’analyse des données a provoqué une transformation dans de nombreuses industries.

On s’est alors rendu compte que les méthodes actuelles (tel que le DevOps) n’étaient pas adaptées au suivi de projets data. En effet, à l’inverse d’un projet de développement classique, un projet data comporte une forte part d’incertitude et nécessite la gestion de données et de modèles mathématiques.

Le DataOps pour accompagner les entreprises dans leur transformation vers la data

C’est donc pour cette raison que l’approche DataOps est apparue. À nouveau, il s’agit d’un ensemble de méthodes et de recommandations pour permettre aux entreprises de mener efficacement des projets d’analyse de données.

En France, seul 30 % du potentiel des données en entreprise serait exploité. Le DataOps pourrait être une solution pour libérer ce potentiel.

Le DataOps se base les mêmes principes que le DevOps. Cependant, il s’intéresse aussi à :

Voilà autant de problématiques propres à un projet data et auxquelles le DataOps essaye d’apporter des réponses. Découvrez de manière exhaustive le DataOps !

DataOps, MLOps, DevSecOps, AIOps… comme un effet de mode.

Aujourd’hui, on voit apparaître nombre de nouveaux termes en –Ops, dont par exemple MLOps, qui est assez similaire au DataOps, ou encore le AIOps. Voici un article détaillant les différences entre ces trois termes en particulier.

Il y a une certaine mode (dont la tech raffole tant) derrière toutes ces terminologies au point d’en devenir des mèmes

Chronologie evolution des operations

Ce qu’il faut retenir, c’est que, globalement, toutes ces terminologies partagent une même base commune. L’objectif est de faire évoluer les méthodes de travail en entreprise en même temps que les technologies et les besoins changent, et d’être capable d’intégrer efficacement de nouvelles compétences.