La codification automatique de l’activité économique à l’Insee

Un pipeline MLOps pour le code APE : architecture, méthodes et retours d’expérience

Note technique sur le pipeline MLOps de l’Insee qui code les libellés d’activité des entreprises dans la nomenclature NAF / NACE.

Auteur

Affiliation

Meilame Tayebjee

SSP Lab, Insee

Toute entreprise qui s’immatricule en France décrit son activité en quelques mots. L’Insee doit ensuite traduire ce libellé en l’un des quelque 750 codes de la nomenclature d’activités française (NAF, déclinaison nationale de la NACE). Ce code APE structure les statistiques d’entreprises et les comptes nationaux.

Depuis fin 2022, cette codification est assurée par un modèle de machine learning, appelé en temps réel par le répertoire Sirene. Cette note présente le pipeline MLOps qui l’entoure :

• comment les données sont préparées et nettoyées ;
• comment le modèle est entraîné, packagé, déployé et monitoré ;
• comment l’expertise humaine et les LLM permettent d’en maîtriser la qualité ;
• comment l’ensemble est réentraîné sans régression.

~2 M libellés codés par an

~750 codes possibles (sous-classes)

~80 % codés sans intervention humaine

< 300 ms par prédiction, sur CPU

Comment lire cette note

Table 1: Structure de la note.

Chapitre	Contenu
1. Contexte et historique	Le code APE, la réforme du guichet unique, de Sicore à fastText puis à PyTorch
2. Architecture	Plateforme, dépôts, flux de bout en bout
3. Données	Données d’entraînement, moteur de règles auditable, passage à la NAF 2025 avec des LLM, agents GRAAL
4. Modèle	Architecture, torchTextClassifiers, entraînement, indice de confiance, calibration, résultats, perspectives
5. Évaluation	Métriques au-delà de l’accuracy, golden set, moteurs auxiliaires, temps d’inférence
6. Mise en production	Packaging MLflow, API, CI/CD et GitOps
7. Monitoring et annotation	Drift, dashboards, Label Studio, audits par LLM
8. Protocole de réentraînement	Golden set, curation des données, règles métier, critères de validation
9. Défis organisationnels et d’infrastructure	Le data scientist métier, la plateforme de qualification
10. Retours d’expérience	Ce qui a fonctionné, ce que nous referions, questions ouvertes
Glossaire et notations	Symboles du protocole de réentraînement et de l’évaluation, termes
Références	Présentations, articles, code

Les lecteurs intéressés avant tout par la méthodologie peuvent aller directement à l’Évaluation et au Protocole de réentraînement. Ceux qui s’intéressent à l’infrastructure commenceront par l’Architecture et la Mise en production.

NoteÀ propos de cette note

Cette note est rédigée par le SSP Lab, l’équipe de data science de l’Insee. Tout le code est en open source sur GitHub. Les présentations de l’équipe sont rassemblées ici. Une version anglaise est disponible.