ClearML

Qu’est-ce que ClearML ?

ClearML est une plateforme MLOps et LLMOps bout en bout destinée aux équipes de apprentissage automatique, d’IA générative et d’infrastructure. Elle couvre le suivi des expériences, les versions de données et de modèles, les tâches d’entraînement, les pipelines, le planification des GPU, les services de modèles ainsi que la gestion du déploiement au niveau entreprise.

La plateforme se compose de trois couches : le Infrastructure Control Plane, le AI Development Center et le GenAI App Engine. Les utilisateurs peuvent soit utiliser les services hébergés par ClearML, soit héberger eux-mêmes du code open source, ou encore acheter des solutions commerciales pour des réseaux VPC, locaux, isolés et hybrides.

Une phrase pour présenter

ClearML intègre les expériences d’IA, les données, les modèles, les ressources de calcul et les points de terminaison de production dans un même système traçable, et déploie des modèles volumineux open source ou fine-tunés sur des clusters GPU via GenAI App Engine, gérant de manière unifiée le réseau, l’authentification, le trafic et la surveillance.

Architecture en trois couches de la plateforme

Fonction principale

Suivi expérimental et reproductibilité

Le SDK Python de ClearML peut enregistrer automatiquement les versions du code, les modifications non soumises, les dépendances, les paramètres, la sortie de la console, les métriques et les ressources système. Il prend également en charge les snapshots de modèles, les graphiques, les images, l’audio, la vidéo ainsi que n’importe quel artefact.

• Organiser les expériences, les modèles, les ensembles de données et les rapports par projet et sous-projet.
• Comparer les paramètres, indicateurs, environnements et résultats de plusieurs exécutions.
• Relier la version Git, les paquets dépendants et les commandes effectivement exécutées.
• Enregistre la CPU, la GPU, la température, le disque, le réseau et d’autres états de fonctionnement.
• Créer des tâches à distance ou des modèles réutilisables à partir d’expériences existantes.

Gestion des versions des ensembles de données

ClearML Dataset gère des versions de données différenciables ainsi que des traçabilités au-dessus du stockage d’objets. Les utilisateurs peuvent placer leurs données dans S3, Google Cloud Storage, Azure, NAS ou un stockage partagé, et les récupérer par version dans leur code.

Répertoire de modèles et traçabilité

Le dépôt de modèles gère de manière centralisée les fichiers de modèles, leur état, leurs étiquettes, les projets et les métadonnées, et relie les modèles aux expériences qui les ont générés. Les équipes peuvent déclencher des actions ultérieures en fonction de la publication d’un modèle ou d’un changement d’état.

File d’attente de tâches et ClearML Agent

L’agent ClearML récupère les tâches sur un serveur local, une machine cloud, un conteneur ou Kubernetes, puis les exécute en reconstituant le code et l’environnement enregistrés. La file d’attente et les nœuds de travail permettent aux développeurs d’exécuter chaque expérience sans devoir se connecter manuellement à un serveur GPU.

Chaîne de production et automatisation

Les utilisateurs peuvent constituer des pipelines ajustables en regroupant les étapes de traitement des données, d’entraînement, d’évaluation et de déploiement, et peuvent également créer des tâches basées sur des ensembles de données, le déploiement de modèles ou des changements d’indicateurs. Community dispose de pipelines de base, tandis que Pro ajoute des déclencheurs et une interface d’automatisation.

Échelle automatique des ressources cloud

Pro permet de démarrer ou d’arrêter des ressources de calcul en fonction des besoins de file d’attente sur AWS, Google Cloud et Azure. Scale et Enterprise offrent en plus un planification indépendante du matériel, plusieurs clusters, des stratégies de ressources ainsi qu’une gestion des GPU à plus faible niveau de détail.

Développement et applications à distance

Les forfaits payants offrent un IDE à distance et ClearML Applications, permettant d’exécuter des environnements de développement interactifs, des tableaux de bord ou des applications métier sur des ressources de calcul gérées. Les instances d’applications peuvent entraîner des frais supplémentaires en fonction du nombre d’heures d’exécution.

Fonctionnalités de GenAI App Engine

Déploiement d’un LLM en un clic

GenAI App Engine permet de choisir des modèles open source, personnalisés ou entraînés sur mesure parmi les dépôts de modèles de Hugging Face ou ClearML, et de les déployer via une interface ou la CLI. Le site officiel liste des moteurs de service tels que vLLM, Llama.cpp et Triton.

Étendue du modèle de sécurité

La plateforme crée des endpoints certifiés pour les modèles déployés, et gère le réseau, le contrôle d’accès ainsi que le routage du trafic. Les entreprises peuvent limiter, au moyen de RBAC, les modèles et données auxquels différents groupes, applications et unités métier peuvent accéder.

Encadrement dynamique et échelle horizontale

Les requêtes peuvent être acheminées dynamiquement entre les copies du modèle et les nœuds de calcul, et être étendues en fonction du niveau de charge. Cela permet d’augmenter la capacité disponible en période de pointe et de réduire le nombre de GPU inutilisés en cas de faible charge.

Mémoire unifiée et optimisation des coûts

La mémoire unifiée présentée par ClearML conserve les modèles inactifs en mémoire CPU et libère de l’espace GPU pour les modèles actifs. L’économie réelle dépend de la taille du modèle, de la mémoire du nœud, du temps de démarrage et du mode d’appel.

Surveillance des points d’extrémité

L’administrateur peut consulter le volume des requêtes, les délais, la CPU, la GPU, la mémoire, les ressources d’entrée/sortie et les ressources réseau. Pour une utilisation en production, il convient également d’ajouter des indicateurs au niveau de l’application tels que la qualité du service, le taux d’erreurs, la sécurité et les retours des utilisateurs.

RAG et bases de données vectorielles

GenAI App Engine prend en charge les charges de travail de génération améliorée par la recherche ; Scale et Enterprise offrent une intégration avec des Hyper-Datasets et des bases de données vectorielles. Les équipes peuvent déployer des modèles embarqués et organiser le traitement des documents, l’indexation, la recherche et les réponses en pipelines.

Agents intelligents d’IA et applications personnalisées

La plateforme peut déployer des agents IA, suivre leurs appels et leur performance, et créer des guides de démarrage et des interfaces personnalisées pour les utilisateurs internes. Les applications personnalisées font partie des fonctionnalités Enterprise ; les composants open source ordinaires et les forfaits hébergés ne doivent pas être considérés par défaut comme étant tous inclus.

Processus de travail complet MLOps

1. Choisissez un service de hébergement ou mettez en place ClearML Server, et créez des identifiants pour l’espace de travail.
2. Installer le SDK Python et initialiser la tâche ClearML dans le code d’entraînement.
3. Mettre en œuvre de petits essais pour vérifier que le code, les paramètres, les indicateurs, les modèles et les produits sont correctement enregistrés.
4. Organiser les données en ensembles de données avec version, et configurer le stockage d’objets ainsi que les droits d’accès.
5. Créer des agents et des files d’attente pour exécuter à distance les tâches d’entraînement sur des ressources CPU ou GPU spécifiées.
6. Créer une chaîne de traitement comprenant le prétraitement, l’entraînement, l’évaluation et l’enregistrement du modèle.
7. Approuver la version à publier via le dépôt de modèles, puis la déployer sur l’endpoint de test.
8. Vérifier les performances, la sécurité et effectuer un rollback avant de passer en production, tout en surveillant en continu les ressources et les performances du modèle.

Tutoriel d'utilisation

Se connecter au premier exercice Python

1. Créer un espace de travail ClearML et générer des identifiants d’accès.
2. Installez le paquet Python clearml dans l’environnement de développement.
3. Exécutez clearml-init et connectez le SDK au serveur cible.
4. Créez une tâche à l’entrée du code, et saisissez le nom du projet et le nom de la tâche.
5. Exécutez le script d’entraînement pour vérifier que la console, les paramètres, les indicateurs et la surveillance des ressources apparaissent automatiquement.
6. Téléchargez un modèle de test et un produit, puis vérifiez s’il est possible de le tracer depuis la page de tâche.
7. Vérifiez qu’aucune variable d’environnement sensible ou clé n’a été enregistrée avant de passer à un projet officiel.

Déployer un endpoint LLM

1. Enregistrer les nœuds GPU dans un cluster géré, et créer des files d’attente distinctes pour les tâches de déduction.
2. Sélectionnez le canal de modèle, vérifiez la licence de poids, les besoins en mémoire vidéo et le mode de quantification.
3. Choisissez vLLM, Llama.cpp, Triton ou un moteur de service adapté au modèle.
4. Définir la GPU, le CPU, la mémoire, les réplicas, la plage d’extension et de réduction ainsi que la stratégie de mise en veille.
5. Configurer l’authentification, RBAC, les points d’accès réseau et les utilisateurs ou services autorisés à accéder.
6. Vérifier la sortie, les délais, la concurrence, les erreurs et l’utilisation des ressources à l’aide de requêtes de test.
7. Définir la surveillance et les alertes, puis ouvrir progressivement l’utilisation en production par un trafic graduel.

Créer un serveur auto-hébergé

1. Préparez un hôte indépendant ou un environnement Kubernetes, et lisez d’abord les documents de déploiement correspondant à la version.
2. Planifier le réseau, les noms de domaine, les certificats et le stockage pour le Web, les API et les services de fichiers.
3. Déployez le composant ClearML Server et créez un répertoire de données fiable ainsi que des sauvegardes.
4. Désactivez les accès publics inutiles, configurez l’authentification de connexion et les droits minimaux.
5. Permettez au SDK de se connecter au serveur interne de l’Agent et d’exécuter des tâches de test sans données sensibles.
6. Vérifier la restauration des sauvegardes, le processus de mise à niveau, la conservation des journaux et le renouvellement des clés.
7. Migrer à nouveau les expériences officielles, les modèles et les données, et mettre à jour continuellement les correctifs de sécurité.

À qui s’adresse-t-il

• Chercheurs individuels et équipes universitaires : hébergement gratuit ou auto-hébergement pour le suivi des expériences et les versions des données.
• Ingénieur en apprentissage automatique : gestion des tâches d’entraînement, des modèles, des données et d’un environnement reproductible.
• Équipe MLOps : création de pipelines, exécution à distance, automatisation et processus de déploiement des modèles.
• Ingénieur LLM : déploiement de modèles open source ou fine-tuning, RAG et agents intelligents.
• Équipe d’ingénierie de plateforme : gestion centralisée des ressources GPU locales, dans le cloud et sur Kubernetes.
• Grandes entreprises : Exécuter des plateformes d’IA dans des VPC, des réseaux locaux, des réseaux isolés ou des environnements hybrides.
• Fournisseurs de services d’IA : utilisation de fonctionnalités de gestion multi-locataires, de suivi de la consommation, de quotas et de contrôle des coûts.

Scénarios d'utilisation typiques

• Suivre les expériences d’apprentissage profond et comparer les différences de paramètres, d’indicateurs et de code.
• Déplacer l’entraînement du notebook vers une file d’attente GPU distante.
• Gérer les ensembles de données, les versions des modèles et l’historique complet.
• Exécuter automatiquement le pipeline après la mise à jour des données ou la publication du modèle.
• Déployer des services de grands modèles internes et contrôler l’accès par équipe.
• Créer des chaînes de traitement de documents, de recherche vectorielle et de réponses RAG pour la base de connaissances de l’entreprise.
• Élargir ou réduire les répliques en fonction de la charge demandée et surveiller l’utilisation des GPU.
• Exécuter des charges de travail d’IA dans un réseau isolé qui ne permettent pas l’envoi de données vers l’extérieur.

Avantages du produit

• De l’expérimentation aux services de modélisation, la couverture est assez complète, ce qui réduit la nécessité de combiner plusieurs outils indépendants.
• Le code Python nécessite généralement seulement quelques modifications pour enregistrer automatiquement de grandes quantités d’informations sur son exécution.
• Prend en charge le hébergement géré, le self-hébergement, VPC, local, les réseaux isolés et le déploiement hybride.
• ClearML Agent peut reprendre des tâches entre des machines nues, le cloud et Kubernetes.
• GenAI App Engine gère de manière centralisée le moteur de modèles, le réseau, l’authentification, le routage et la surveillance.
• Ouverture des SDK, Agents, composants de service et composants Web pour faciliter l’audit et l’extension.
• Le programme de hébergement Community est gratuit pour les équipes de 3 personnes ou moins et inclut un quota de base défini.
• Enterprise propose un planification avancée, des quotas, RBAC, LDAP et des services professionnels.

Restrictions d'utilisation et précautions

• ClearML n’est pas un chatbot prêt à l’emploi ; son déploiement et sa maintenance nécessitent des connaissances en Python, en conteneurs, en réseau et en GPU.
• L’hébergement gratuit convient uniquement aux équipes de 3 personnes ou moins, et est soumis à des limites en matière d’espace de stockage, d’événements de métriques et d’appels API.
• Pro est facturé par siège ; des frais de stockage, d’indicateurs, d’appels et d’heures d’utilisation s’appliquent en plus au-delà de la capacité offerte.
• Scale et Enterprise n’ont pas de prix fixes publiés ; il est nécessaire de demander un devis en fonction de la taille de la GPU, du déploiement et du support.
• Toutes les fonctionnalités professionnelles de GenAI App Engine ne sont pas incluses dans Community ou Pro.
• L’hébergement auto-géré nécessite de prendre en charge soi-même la base de données, le stockage d’objets, les sauvegardes, les mises à jour, l’authentification, les certificats et les correctifs de sécurité.
• L’enregistrement automatique des expériences peut capturer par accident des différences de code, des paramètres, des chemins ou des informations sensibles dans la console.
• Les modèles et ensembles de données de tiers sont toujours soumis à leurs licences respectives, ainsi qu’à des restrictions relatives à la vie privée et aux exportations.
• L’ajustement dynamique de l’échelle et le déchargement du CPU entraînent un compromis entre les coûts, le débit et les délais de démarrage.
• La surveillance des points d’extrémité du modèle ne signifie pas que la qualité, la sécurité et la conformité de la sortie sont garanties.
• Les différents dépôts de code utilisent des licences différentes telles que Apache-2.0 et SSPL, et ne peuvent pas être regroupés sous une seule étiquette.
• Le site officiel qualifie l’hébergement auto-géré de 100 % open source, mais le serveur utilise en réalité SSPL v1.0 ; il convient de vérifier chaque entrepôt avant achat et distribution.

Prix et forfaits

Les prix ci-dessous ont été vérifiés le 21 août 2026, et sont exprimés en dollars américains. Le ClearML Hosting AI Development Center propose des versions Community et Pro ; pour les environnements privés, on utilise Scale ou Enterprise. Le logiciel auto-hébergé peut être déployé gratuitement, mais les coûts d’infrastructure et de maintenance incombent à l’utilisateur.

Prix pour quantité supplémentaire Pro

Community et Pro concernent principalement le prix d’hébergement du AI Development Center, et ne comprennent pas l’intégralité du contrôle des infrastructures Scale et Enterprise ni les capacités GenAI. Avant achat, il convient de calculer ensemble les postes, la quantité d’hébergement, les GPU, le stockage objet, le réseau et le support.

Mode de déploiement et plateforme

API, SDK et intégration

ClearML propose un SDK Python, une API REST et une CLI qui couvrent les tâches, les projets, les ensembles de données, les modèles, les files d’attente, les pipelines et l’automatisation. Les paquets Python peuvent être installés à l’aide de gestionnaires de paquets courants, puis le serveur cible est configuré à l’aide de clearml-init.

• Les frameworks d’apprentissage automatique comprennent PyTorch, TensorFlow, Keras, XGBoost, LightGBM et Scikit-learn, entre autres.
• Le code peut être associé à Git, Jupyter Notebook et des workflows d’IDE distants.
• Le stockage prend en charge S3, Google Cloud Storage, Azure, NAS et les systèmes de fichiers partagés.
• L’orchestration prend en charge les machines nues, Docker, Kubernetes ainsi que les principales plateformes cloud.
• Les services de modèles peuvent être intégrés à des moteurs tels que vLLM, Llama.cpp et Triton.
• L’identité et les droits des entreprises peuvent être gérés à l’aide de SSO, SAML, LDAP et RBAC, en fonction du scénario.

Situation du logiciel open source et licences

ClearML n’utilise pas la même licence pour tous ses composants. Le SDK Python principal, ClearML Agent, ClearML Serving et le dépôt public ClearML Web sont soumis à la licence Apache License 2.0, qui autorise leur utilisation et modification sous réserve du respect des conditions de la licence.

Le dépôt backend de ClearML Server est soumis à la Server Side Public License v1.0. Les capacités propres aux entreprises, les services hébergés et le support commercial ne deviennent pas automatiquement accessibles du fait que les composants de base soient publics ; il est nécessaire de vérifier individuellement la licence pour chaque composant requis avant son utilisation.

Confidentialité et sécurité

L’emplacement de stockage et les chemins d’accès de la version open source auto-hébergée sont contrôlés par le déploiteur. La politique de confidentialité open source de ClearML indique qu’aucunes données personnelles ne sont collectées de manière régulière auprès des utilisateurs finaux, que les données ou les cookies ne sont pas utilisés, et qu’il n’y a pas d’accès systématique aux données personnelles au sein du déploiement. Le service hébergé, quant à lui, est géré par ClearML et ses fournisseurs de services pour les comptes, les journaux et les données de la plateforme.

• Les modèles sensibles, les données et les produits doivent privilégier le stockage et les réseaux privés contrôlés par le client.
• Les paramètres d’essai, les sorties de la console et le code non soumis peuvent contenir des clés ; il convient de les filtrer avant l’accès.
• Les points de production nécessitent une authentification, RBAC, un isolement réseau, une limitation du débit et une audit.
• Enterprise prend en charge SSO, LDAP, la configuration de Vault et des droits plus fins.
• Le déploiement en réseau isolé peut réduire les transferts de données, mais les modèles, les images et les mises à jour nécessitent un processus de fourniture hors ligne.
• Les équipes auto-hébergées doivent effectuer elles-mêmes les sauvegardes des bases de données, des fichiers et du stockage d’objets, ainsi que valider la restauration.
• Avant d’utiliser un service géré, il convient de consulter la politique de confidentialité en vigueur, le lieu de stockage des données et les sous-traitants.
• Ne prenez pas la description des capacités de sécurité du site officiel comme une preuve que l’entreprise a déjà obtenu une certification réglementaire.

Informations de base

Indice de recommandation

Le score de recommandation est de 4,7 sur 5. ClearML s’étend de la gestion des expériences, des données et des modèles au contrôle des GPU et au déploiement de l’GenAI, ce qui le rend adapté aux équipes d’ingénierie souhaitant intégrer la recherche et le développement ainsi que la production sur une même plateforme.

L’obstacle principal réside dans la complexité du déploiement et de la gouvernance, les capacités d’infrastructure nécessaires pour l’IA générative doivent faire l’objet d’une demande de prix, et les licences des composants open source ne sont pas uniformes. Les petites équipes peuvent d’abord tester avec des projets communautaires ou des projets expérimentaux indépendants avant de décider d’élargir leur projet.

Questions fréquentes

ClearML est-il gratuit ?

Il existe une version gratuite hébergée par la communauté, pouvant accueillir jusqu’à 3 membres d’équipe, avec 100 GB de stockage pour les produits, 1 GB pour les événements métriques et 1 million d’appels API par mois. Les composants auto-hébergés peuvent également être déployés gratuitement, mais l’équipement et la maintenance incombent à l’utilisateur.

ClearML est-il un outil open source ?

Les composants clés sont publics, mais les licences diffèrent. Le Python SDK, l’Agent et le Serving utilisent Apache-2.0, le Server utilise SSPL v1.0, et toutes les fonctionnalités Enterprise commerciales ne sont pas entièrement publiques.

ClearML peut-il déployer des LLM ?

Oui, GenAI App Engine prend en charge le déploiement de modèles open source et retreints depuis un répertoire de modèles ou Hugging Face, et peut utiliser des moteurs tels que vLLM, Llama.cpp, Triton, etc. Les fonctionnalités complètes et les méthodes de déploiement doivent être confirmées selon le forfait.

ClearML prend-il en charge RAG ?

Prend en charge les charges de travail RAG, l’intégration des modèles embarqués et des bases de données vectorielles. Scale et Enterprise offrent également des fonctionnalités de données telles que Hyper-Datasets ; la base de données vectorielle et l’architecture sont choisies en fonction du projet.

Le forfait Pro ne coûte que 15 dollars de frais d’inscription ?

Non, 15 dollars est le tarif mensuel par utilisateur ; des frais supplémentaires peuvent également s’appliquer pour le stockage des produits, les événements de métriques, les appels API, l’exécution de l’application et les ressources de calcul réelles.

Peut-il fonctionner entièrement dans le réseau intranet de l’entreprise ?

Il est possible de l’héberger soi-même ; Enterprise propose également des réseaux locaux et isolés ainsi que des déploiements hybrides. Le support de la version entreprise, RBAC, LDAP, la configuration de Vault et le planification avancée nécessitent un contrat commercial.

Faut-il modifier une grande quantité de code d’entraînement ?

Pour le suivi des expériences de base, il suffit généralement d’initialiser la tâche pour que de nombreuses informations soient enregistrées automatiquement. Les données complexes, les pipelines, les services de modèles et la planification des ressources nécessitent cependant une configuration supplémentaire.

ClearML propose-t-il une API ?

Des API REST, un SDK Python et une interface CLI sont fournis pour gérer les tâches, les projets, les ensembles de données, les modèles et l’automatisation. Les solutions hébergées sont soumises à une limite de nombre d’appels API par mois.

Les données self-hostées sont-elles envoyées à ClearML ?

La politique de confidentialité open source indique que ClearML n’a pas d’accès habituel aux données des utilisateurs finaux hébergées par eux-mêmes. Les déploieurs doivent néanmoins vérifier les images, les mises à jour, les paramètres de telemétrie et les services cloud tiers utilisés.

Est-ce adapté aux équipes sans expérience en DevOps ?

Il est plus facile de démarrer avec Community et Pro en mode hébergé, mais les clusters GPU, les déploiements privés et les endpoints de production exigent des compétences en ingénierie de plateforme. L’hébergement entièrement auto-géré n’est pas adapté aux équipes sans expérience en conteneurs, stockage, réseau et sauvegardes.

Résumé

ClearML permet de regrouper des expériences, des données, des modèles et des ressources GPU dispersés en un système d’ingénierie IA traçable, planifiable et déployable. GenAI App Engine intègre en outre les LLM, RAG et les agents au sein du même panneau de contrôle d’infrastructure.

Lors du choix, il convient de vérifier en même temps la couche fonctionnelle, le mode de déploiement, les licences et le coût total. La méthode la plus sûre consiste d’abord à utiliser un hébergement gratuit ou un petit hébergement auto-géré pour valider des expériences, puis d’introduire progressivement des files d’attente, des pipelines et des services de modèles de production.