Accueil › Glossaire › Neptune

Neptune (neptune.ai)

Neptune (neptune.ai) était une plateforme de suivi d’expériences ML spécialisée dans l’entraînement de foundation models. Après avoir été rachetée par OpenAI en décembre 2025, ses services externes ont été fermés le 5 mars 2026. La technologie Neptune continue d’exister en interne chez OpenAI pour supporter la recherche sur les modèles frontières.

L’histoire de Neptune : du MLOps généraliste au tracking de foundation models

Neptune a été fondée en 2017 à Varsovie par Piotr Niedźwiedź, un ingénieur passé par Google et Facebook et finaliste du top 30 Google Code Jam. L’idée de départ était de créer un outil de suivi d’expériences ML plus flexible et plus collaboratif que les solutions existantes.

Dans ses premières années, Neptune se positionnait comme un tracker d’expériences généraliste, en concurrence directe avec Weights & Biases et MLflow. La plateforme permettait de logger des métriques, des paramètres, des artefacts et des datasets, avec une interface web interactive pour la comparaison de runs et la collaboration d’équipe.

Le tournant est venu avec l’explosion des foundation models. Neptune a choisi de se spécialiser dans un créneau précis : l’entraînement de très grands modèles. Là où W&B et MLflow cherchaient à couvrir tout le cycle de vie ML (tracking, déploiement, LLMOps, monitoring), Neptune s’est concentré sur un problème unique mais critique : permettre aux chercheurs qui entraînent des modèles frontières de monitorer en temps réel des milliers de métriques par couche (losses, gradients, activations), à grande échelle, sans lag et sans perte de données.

Cette spécialisation a attiré l’attention d’OpenAI, qui est devenu client de Neptune pour le suivi de ses propres runs d’entraînement GPT. Les deux équipes ont collaboré pour créer un dashboard métriques adapté aux contraintes spécifiques de l’entraînement de foundation models : millions de data points, centaines de runs simultanés, détection d’anomalies dans les courbes de loss sur des entraînements de plusieurs semaines.

L’acquisition par OpenAI

Le 3 décembre 2025, Neptune a annoncé avoir conclu un accord définitif pour être rachetée par OpenAI. Selon Bloomberg et The Information, le montant de la transaction était estimé sous les 400 millions de dollars, payé en actions OpenAI. Neptune avait levé environ 18 millions de dollars auprès d’Almaz Capital et TDJ Pitango Ventures.

La logique de l’acquisition est claire : OpenAI utilisait déjà Neptune en interne et voulait intégrer cette technologie profondément dans son stack de recherche, plutôt que de dépendre d’un outil externe. Jakub Pachocki, Chief Scientist d’OpenAI, a expliqué que Neptune serait intégré directement dans le stack d’entraînement d’OpenAI pour améliorer la visibilité sur la façon dont les modèles apprennent.

Pour les clients externes de Neptune, la conséquence a été immédiate : le service allait fermer. Neptune a publié un calendrier de transition clair et a fourni des outils d’export et des guides de migration vers d’autres plateformes.

Chronologie de la transition

Neptune a garanti qu’aucune donnée client ne serait transférée à OpenAI. Les facturations ont été arrêtées et les périodes payées non utilisées remboursées. Un outil d’export (neptune-exporter) a été mis à disposition pour extraire les données au format Parquet.

Ce que Neptune faisait (et pourquoi c’était remarquable)

Même si le service n’est plus disponible, comprendre ce que Neptune apportait est utile pour choisir une alternative adaptée et pour saisir l’évolution du marché MLOps.

Experiment tracking à très grande échelle

La force de Neptune résidait dans sa capacité à ingérer et visualiser des volumes massifs de métadonnées d’entraînement sans dégradation de performances. Quand vous entraînez un modèle de plusieurs milliards de paramètres sur des centaines de GPU pendant des semaines, vous générez des millions de points de données. Neptune pouvait :

Afficher des graphiques avec plus d’un million de points de données par expérience, sans lag. Détecter les anomalies visuellement grâce à des ombres en forme de pics sur les courbes, permettant de zoomer directement sur les problèmes. Comparer des centaines d’expériences côte à côte dans une seule visualisation. Tracker des métadonnées distribuées : plusieurs GPU ou nœuds dans un seul run, avec agrégation automatique.

Run forking

Une fonctionnalité particulièrement appréciée des équipes de recherche sur les foundation models était le « forking » de runs. Vous pouviez brancher plusieurs expériences à partir d’un modèle en cours d’entraînement, héritant automatiquement de l’historique de métriques précédent. C’est une approche puissante pour l’exploration, mais qui nécessite une infrastructure capable de gérer des volumes importants d’héritage de données. Cette fonctionnalité n’était disponible que sur le plan Lab (250 $/utilisateur/mois).

Fiabilité obsessionnelle

Neptune se distinguait par une fiabilité exceptionnelle. Plusieurs clients ont souligné l’absence totale de pannes, un point critique quand un run d’entraînement de foundation model coûte des dizaines de milliers de dollars en GPU. Perdre des données de métriques pendant un entraînement de plusieurs jours peut signifier des semaines de travail gaspillées.

API de requêtage

L’API neptune-query permettait d’extraire les données d’expériences à grande échelle avec des requêtes programmatiques :

Cette API permettait de faire des méta-analyses sur des milliers d’expériences, d’extraire des données pour des rapports, ou d’alimenter des pipelines d’analyse automatisée.

Model Registry et intégrations

Neptune proposait un registre de modèles pour versionner les artefacts et gérer le cycle de vie des modèles. Les intégrations couvraient les principaux frameworks ML : PyTorch, TensorFlow, Keras, Scikit-learn, XGBoost, ainsi que les environnements de notebooks (Jupyter, Google Colab, Deepnote).

Options de déploiement

Neptune proposait trois modes de déploiement. Le SaaS (cloud managé) était le mode par défaut, hébergé sur Google Cloud en Union européenne. L’auto-hébergement (self-hosted) s’appuyait sur un ensemble de microservices distribués sous forme de Helm chart pour Kubernetes, offrant un contrôle total sur la localisation des données. Les clients auto-hébergés bénéficiaient d’un accompagnement par les ingénieurs déploiement de Neptune.

Neptune se différenciait aussi par la simplicité de son API Python. L’intégration dans un script d’entraînement tenait en quelques lignes :

L’API supportait aussi le logging asynchrone (pour ne pas ralentir l’entraînement), le mode offline (avec synchronisation ultérieure), et le tracking distribué multi-GPU/multi-nœud dans un seul run.

Collaboration et gestion d’équipe

Neptune proposait des fonctionnalités de collaboration adaptées aux équipes de recherche : tableaux de runs interactifs avec filtres, tri et groupement ; partage de dashboards personnalisés ; comparaison côte à côte de configurations d’expériences. Le plan Lab ajoutait le contrôle d’accès par rôle (RBAC), essentiel pour les grandes équipes avec des niveaux d’accès différents.

Un point faible souvent mentionné : le partage de résultats avec des personnes sans licence Neptune n’était pas possible. Pour montrer des résultats à des partenaires ou des parties prenantes non techniques, il fallait exporter les données ou prendre des captures d’écran.

Tarifs (historiques, pour référence)

Bien que le service soit fermé, voici les tarifs qui étaient en vigueur pour comprendre le positionnement de Neptune sur le marché :

Neptune était hébergé dans les data centers Google Cloud en Union européenne, un avantage pour les entreprises soumises au RGPD. Le stockage supplémentaire était facturé 2 $/Go/mois.

Impact de la fermeture sur l’écosystème MLOps

La fermeture de Neptune et son absorption par OpenAI illustrent une tendance de fond dans l’écosystème IA : la consolidation des outils MLOps par les grands acteurs.

En parallèle de Neptune racheté par OpenAI, Weights & Biases a été acquis par CoreWeave en mai 2025. Les deux principales plateformes d’experiment tracking commerciales (hors MLflow) sont donc passées sous le contrôle d’acteurs d’infrastructure IA en l’espace de quelques mois.

Pour les utilisateurs, cela signifie que le choix se réduit :

MLflow reste la seule grande plateforme véritablement indépendante et open source, maintenue par Databricks via la Linux Foundation. C’est le choix par défaut pour les équipes qui ne veulent pas dépendre d’un fournisseur d’infrastructure.

W&B reste disponible et interopérable, mais sous la bannière CoreWeave. Si vous acceptez cette dépendance, c’est l’option managée la plus complète.

Alternatives émergentes : Comet ML, Lightning AI, ZenML, et GoodSeed se positionnent comme des alternatives, mais aucune n’a encore atteint la maturité ou l’adoption de MLflow et W&B.

Guide de migration pour les anciens utilisateurs Neptune

Si vous étiez utilisateur de Neptune et n’avez pas encore migré vos données, voici les options principales :

Export des données

Neptune a fourni l’outil neptune-exporter, un CLI qui convertit les expériences Neptune (versions 2.x et 3.x) en fichiers Parquet + artefacts sur disque. Cet outil reste disponible sur GitHub (neptune-ai/neptune-exporter). Attention : les données du service SaaS ont été supprimées le 5 mars 2026. Si vous n’avez pas exporté avant cette date, vos données sont perdues.

Vers MLflow

Neptune a publié un guide de migration vers MLflow. La correspondance des concepts est directe : les runs Neptune deviennent des runs MLflow, les métriques se mappent sur mlflow.log_metric(), et le Model Registry de Neptune a son équivalent dans le MLflow Model Registry. MLflow est gratuit et auto-hébergeable, ce qui en fait le choix le plus simple pour une migration rapide.

Vers Weights & Biases

La migration vers W&B est aussi documentée. Les concepts sont similaires : runs, métriques, artefacts. L’avantage de W&B est une interface plus proche de celle de Neptune (SaaS managé, dashboards interactifs). L’inconvénient est le coût (Pro à 60 $/mois minimum pour un usage commercial).

Vers d’autres outils

Neptune a aussi fourni des guides vers Comet ML, Lightning AI, ZenML, Pluto et GoodSeed. Pour les équipes avec des besoins spécifiques (robotique, RL, etc.), ces alternatives peuvent être pertinentes.

Ce que la disparition de Neptune nous apprend

L’histoire de Neptune offre plusieurs enseignements pour les équipes qui choisissent leurs outils MLOps :

La spécialisation est une force et une fragilité. Neptune a trouvé un créneau précis (tracking de foundation models à très grande échelle) et y a excellé. Mais ce créneau étroit l’a rendu vulnérable : quand votre meilleur client (OpenAI) décide de vous racheter pour intégrer votre technologie en interne, votre marché externe disparaît.

L’open source protège contre la disparition. Si Neptune avait été open source, sa technologie continuerait d’exister indépendamment de l’acquisition. C’est un argument de poids en faveur de MLflow : même si Databricks cessait de le maintenir demain, le code resterait disponible et la communauté pourrait prendre le relais.

Prévoyez une stratégie d’export. Les utilisateurs qui avaient des processus d’export réguliers ont pu migrer sans stress. Ceux qui ne s’y attendaient pas ont eu trois mois pour réagir, ce qui est court quand vous avez des années d’historique d’expériences.

Le marché MLOps se consolide. Avec Neptune chez OpenAI et W&B chez CoreWeave, les outils de tracking indépendants deviennent rares. MLflow (Databricks/Linux Foundation) reste l’exception notable. Les prochaines années verront probablement d’autres consolidations dans l’écosystème.

Verdict

Neptune était un excellent outil d’experiment tracking, particulièrement pour les équipes qui entraînaient des foundation models à grande échelle. Sa fiabilité, sa performance sur les gros volumes de données et ses visualisations sans lag en faisaient un choix de référence pour un créneau spécifique.

Mais Neptune n’existe plus en tant que produit externe. Si vous cherchez un tracker d’expériences aujourd’hui, orientez-vous vers MLflow (open source, gratuit, écosystème le plus large) ou Weights & Biases (SaaS managé, UX soignée, écosystème LLMOps complet). Pour les cas d’usage très spécifiques de tracking de foundation models à très grande échelle, MLflow 3.x a rattrapé une grande partie du gap fonctionnel que Neptune avait créé.