Michelangelo (Uber’s ML Platform): Going Open Source

Michelangelo (Uber’s ML Platform): Going Open Source

par Sally Lee & Eric Wang, Uber

Sciences appliquées & ingénierie IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine
🎙 Sally Lee & Eric Wang, Uber 👥 5K 📅 23 octobre 2025 ⏱ 32 min 👁 978 📄 revue d'actualité 🧭 2026-08-15
Disponible en : Français (actuel) English

Mots-clés

MichelangeloMLOpsUberopen sourceplateforme ML

Résumé

Cette présentation, enregistrée lors du MLOps World | GenAI Summit 2025, est donnée par Sally Lee et Eric Wang, ingénieurs seniors chez Uber. Ils décrivent Michelangelo, la plateforme ML de bout en bout d’Uber, qui supporte des centaines de modèles pour des cas d’usage critiques comme la prédiction de demande, le routage intelligent et la sécurité. Ils présentent son architecture en couches, ses composants (workflow engine, feature store, model registry, etc.) et son évolution vers une plateforme multi-agents. L’accent est mis sur la prochaine étape : l’open source de la plateforme. Ils détaillent le cycle de vie d’un modèle, de la création d’un projet à la mise en production, en passant par l’entraînement, l’évaluation et le déploiement. Ils mettent en avant des fonctionnalités comme le workflow engine ‘Uniflow’, la gestion des versions, le monitoring, et l’intégration avec des outils d’AB testing. La présentation inclut une démonstration en direct de l’utilisation de l’interface et du SDK. Ils annoncent que la première composante (Uniflow) sera open source prochainement, avec un objectif de rendre toute la plateforme publique d’ici fin 2025 ou début 2026. Ils sollicitent des partenariats pour tester la plateforme en environnement privé.

192 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée pour un public professionnel du ML : la présentation détaille concrètement l’architecture et les fonctionnalités d’une plateforme ML industrielle mature. Les intervenants justifient leurs choix techniques (par exemple, le workflow engine Python-first, la gestion des versions, le déploiement progressif) par des besoins réels rencontrés chez Uber. L’argumentation est solide, appuyée par des exemples concrets et une démonstration en direct. Cependant, certaines affirmations (comme le nombre de modèles ou la scalabilité) ne sont pas étayées par des données chiffrées précises. La présentation reste néanmoins crédible de par l’expertise des intervenants.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est correcte pour une conférence technique : les intervenants expliquent les concepts et les choix d’architecture sans toutefois fournir de références bibliographiques. Les sources citées se limitent au site de la conférence (mlopsworld.com) et à des références internes à Uber. Le titre est en adéquation avec le contenu, qui couvre bien la plateforme Michelangelo et son ouverture en open source. La présentation est structurée et les informations sont cohérentes. Aucun commentaire n’a été fourni pour analyse.

189 mots

Adéquation titre / contenu

Le titre correspond bien au contenu : la présentation porte sur la plateforme Michelangelo et son passage en open source.

Qualité & fiabilité

7/10

Présentation par des ingénieurs seniors d'Uber, détaillant l'architecture et le fonctionnement de la plateforme Michelangelo. Les informations sont techniques et précises, mais reposent principalement sur une démonstration et des affirmations non vérifiées par des sources externes. La fiabilité est bonne pour un retour d'expérience interne, mais limitée par l'absence de preuves indépendantes.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

Sources concordantes

  • Uber Michelangelo Platform — Article de blog officiel d'Uber décrivant la plateforme Michelangelo.

Apport & nouveautés

L’apport principal de cette présentation est de dévoiler les coulisses de Michelangelo, une plateforme ML industrielle de grande envergure, et d’annoncer son passage en open source. Les détails sur l’architecture, le workflow engine Uniflow et les stratégies de déploiement sont des informations précieuses pour la communauté MLOps. La présentation met en lumière des pratiques concrètes d’Uber, comme la gestion des versions, le monitoring unifié et l’AB testing, qui peuvent inspirer d’autres organisations.

Pour aller plus loin :

  • MLOps — Concepts clés du MLOps, pertinents pour comprendre le contexte.
  • Uber Michelangelo — Article de blog d’Uber détaillant la plateforme (source primaire).
  • Kubeflow — Plateforme ML open source comparable, utile pour comparer les approches.

112 mots

Profil radar

Le profil radar montre des scores élevés en quantité d'information et en niveau technique, reflétant une présentation dense et spécialisée. La fiabilité globale est légèrement inférieure, en raison de l'absence de sources externes et de la nature promotionnelle de la présentation. La qualité de l'information est bonne, mais pourrait être renforcée par des références supplémentaires.

Fiabilité 6/10