L'article souligne un déséquilibre dans le domaine du machine learning : alors que la modélisation attire beaucoup d'attention, l'ingénierie des systèmes, tout aussi cruciale, est souvent délaissée. Les modèles, même les plus innovants, nécessitent des ressources computationnelles importantes, et ignorer les limitations des systèmes lors de leur développement peut mener à des échecs. Les ressources éducatives sur les aspects systémiques du ML sont rares, laissant des questions critiques sans réponse, comme l'optimisation des modèles pour du matériel spécifique ou le déploiement à grande échelle. MLSysBook.ai, une ressource ouverte développée initialement dans le cadre de cours à Harvard, vise à combler cette lacune en couvrant des concepts clés tels que l'ingénierie des données, le développement de modèles, l'optimisation, le déploiement et la maintenance continue des systèmes de ML. L'article explique que les principes fondamentaux des systèmes de ML s'appliquent aussi bien aux petits dispositifs embarqués qu'aux grands centres de données, et que la réussite d'une solution de ML dépend de l'ensemble du système, pas seulement du modèle. L'analogie utilisée compare les développeurs de ML à des astronautes explorant de nouveaux horizons, tandis que les ingénieurs en systèmes de ML sont les scientifiques qui conçoivent les fusées permettant ces explorations. Sans une ingénierie précise des systèmes, même les modèles les plus avancés restent inefficaces. L'article insiste sur l'importance de considérer l'ensemble du cycle de vie des systèmes de ML, de la préparation des données à la maintenance continue, en passant par le développement, l'optimisation et le déploiement des modèles. Chaque étape est cruciale pour garantir que les systèmes de ML soient non seulement puissants en théorie, mais aussi efficaces et scalables en pratique.