L’apprentissage automatique va au-delà du battage médiatique

Le machine learning existe depuis des décennies, mais pendant une grande partie de cette période, les entreprises ne déployaient que quelques modèles et ceux-ci nécessitaient un travail fastidieux et minutieux effectué par des docteurs et des experts en machine learning. Au cours des deux dernières années, l’apprentissage automatique s’est considérablement développé grâce à l’avènement de plates-formes d’apprentissage automatique largement disponibles, standardisées et basées sur le cloud.

Aujourd’hui, les entreprises de tous les secteurs déploient des millions de modèles de machine learning dans plusieurs secteurs d’activité. Le géant des logiciels fiscaux et financiers Intuit a commencé avec un modèle d’apprentissage automatique pour aider les clients à maximiser les déductions fiscales ; aujourd’hui, l’apprentissage automatique touche presque tous les aspects de leur entreprise. Rien que l’année dernière, Intuit a augmenté de plus de 50 % le nombre de modèles déployés sur sa plate-forme.

Dans un autre exemple, le leader du covoiturage Lyft collecte d’énormes quantités de données en temps réel à partir des applications mobiles de plus de deux millions de conducteurs et de 30 millions de passagers. L’entreprise utilise des millions de modèles d’apprentissage automatique pour détecter avec précision les anomalies dans l’utilisation des itinéraires ou les habitudes de conduite qui pourraient signaler des problèmes nécessitant une attention immédiate.

Mais ce n’est que le début. La prochaine phase de l’apprentissage automatique offrira ce dont les scientifiques ne pouvaient que rêver : industrialiser et démocratiser l’apprentissage automatique. Avec des plateformes et des outils d’apprentissage machine spécialement conçus qui peuvent systématiser et automatiser le déploiement de modèles d’apprentissage machine à grande échelle, nous sommes à l’aube d’un changement majeur qui permettra à toutes les entreprises, et pas seulement aux entreprises mondiales Fortune 50, d’utiliser cette technologie transformatrice et devenir vraiment perturbatrice.

La voie de l’industrialisation de l’apprentissage automatique

Le machine learning suit une tendance familière observée à plusieurs reprises dans tous les secteurs : l’utilisation de l’automatisation pour industrialiser les processus et réaliser un déploiement de masse. Les premières voitures, par exemple, ont été conçues par des fabricants de boutique tels que Duryea et Packard qui ont produit des véhicules de luxe fantaisistes en production limitée car ils nécessitaient un travail fastidieux et minutieux. La Ford Motor Company a renversé cette idée en standardisant les processus de conception et de fabrication automobile pour créer une chaîne de montage, permettant la consommation de masse de l’automobile, modifiant à jamais les transports et le commerce.

Neuf décennies plus tard, l’industrie du logiciel a subi une transformation similaire, passant d’une collection d’applications élégantes et sur mesure développées par quelques codeurs spécialisés à une discipline d’ingénierie systématique qui est désormais largement accessible. Aujourd’hui, les environnements de développement intégrés, les débogueurs, les profileurs et les outils d’intégration et de déploiement continus (CI/CD) assurent la normalisation et l’automatisation du développement logiciel qui permettent aux codeurs de tous les niveaux de créer des applications robustes. La capacité de produire des applications en masse a à son tour entraîné une consommation de masse de logiciels et fait des logiciels une partie intégrante de notre façon de vivre et de travailler.

Le machine learning traverse une phase d’industrialisation similaire. Pour réussir, nous devons résister à l’idée que les démonstrations d’apprentissage automatique cool et fantaisistes, telles que l’écriture de poésie et la génération de dialogues intelligents dans les jeux vidéo, sont la norme ou la voie à suivre pour l’apprentissage automatique dans le monde réel. À l’instar des concept-cars futuristes qui ravissent les spectateurs des salons de l’auto, ces démonstrations de « preuve de concept » ont captivé l’imagination et suscité l’enthousiasme, mais elles ne peuvent pas être facilement reproduites ou mises à l’échelle. Non seulement cela, mais ils sont très chers et offrent peu de valeur commerciale.

Pour concrétiser la vision et les promesses de décennies de travail, les modèles de machine learning doivent résoudre des problèmes commerciaux complexes, fournir des informations exploitables en temps réel et s’intégrer aux systèmes et processus opérationnels. Cela nécessite à la fois l’industrialisation du machine learning et la démocratisation des outils de machine learning. L’apprentissage automatique doit être transformé en une discipline d’ingénierie systématique, et les plates-formes et outils d’apprentissage automatique doivent être largement disponibles, pour permettre aux entreprises d’étendre le déploiement rapidement et efficacement.

Une base technologique pour l’apprentissage automatique dans le cloud

La bonne nouvelle est que l’apprentissage automatique s’industrialise et s’éloigne du battage médiatique pour devenir une discipline d’ingénierie mature formée selon deux vecteurs : des plates-formes d’apprentissage automatique spécialement conçues et des outils d’apprentissage automatique spécialisés.

L’industrialisation du machine learning repose sur la capacité de standardiser les charges de travail sur des plateformes de machine learning spécialement conçues dans le cloud. La standardisation à grande échelle nécessite une infrastructure distribuée hautement disponible et sécurisée qui est mieux réalisée dans le cloud. Une infrastructure d’apprentissage automatique spécialement conçue permet aux développeurs et aux scientifiques des données d’obtenir les meilleures performances et le coût le plus bas pour créer des modèles d’apprentissage automatique et les déployer dans le cloud ainsi que sur des appareils périphériques. De plus, les plates-formes de machine learning spécialement conçues soulagent les équipes de développement de la lourde tâche indifférenciée de gérer à la fois l’infrastructure de machine learning et les tâches opérationnelles, leur permettant de se concentrer sur la création, les tests et la formation de nouveaux modèles.

Des outils de machine learning spécialisés peuvent être créés en empruntant des concepts au monde du logiciel, même si le machine learning traite à la fois du code et des données. Aujourd’hui, les outils IDE, débogueur et profileur qui ont rendu le développement logiciel robuste ont été personnalisés pour l’apprentissage automatique. Les capacités CI/CD d’apprentissage automatique qui suivent automatiquement le code, les ensembles de données et les artefacts à chaque étape du workflow d’apprentissage automatique prennent en charge les exigences d’automatisation, de gouvernance et d’audit. Tout comme avec les logiciels, les capacités CI/CD pour l’apprentissage automatique permettent aux développeurs de revenir en arrière, de rejouer les étapes et de résoudre les problèmes, et de suivre de manière fiable la lignée des modèles à l’échelle, sur des milliers de modèles en production.

Les modèles et prédictions de machine learning ne sont bons que par les données sur lesquelles ils agissent, et il est également essentiel de comprendre pourquoi les modèles font certaines prédictions. Pour cela, de nombreuses plates-formes d’apprentissage automatique fournissent des outils intégrés d’étiquetage et de préparation des données, des outils de qualité des données et de détection des biais, ainsi que des méthodes pour expliquer les prédictions des modèles.

L’industrialisation de l’apprentissage automatique porte ses fruits. iFood, l’un des principaux services de livraison de nourriture en Amérique latine, a utilisé les services d’apprentissage automatique CI/CD pour automatiser l’optimisation des itinéraires pour le personnel de livraison de nourriture, réduisant ainsi la distance parcourue par les itinéraires de livraison de 12 % et le temps d’inactivité des opérateurs de 50 %. Dans l’ensemble, leur entreprise a augmenté les performances des SLA de livraison de 80 % à 95 %.

Le fabricant de fibres INVISTA a automatisé des workflows d’analyse de données pour prévoir et remédier aux défaillances potentielles de l’équipement. Leur gestion améliorée des performances des actifs se traduit par une réduction des temps d’arrêt, une diminution des dommages aux équipements et une augmentation des revenus.

La société de logiciels multinationale Autodesk a déployé un modèle d’apprentissage automatique flexible et personnalisable qui utilise le traitement du langage naturel pour examiner les mots et la structure des phrases afin d’orienter rapidement ses clients vers les bonnes solutions, ce qui permet de réduire de 30 % les cas d’erreur d’acheminement et d’aider les clients obtenez des réponses jusqu’à trois fois plus rapidement.

La Bundesliga, la première ligue de football professionnelle allemande, améliore l’expérience des fans en formant des modèles d’apprentissage automatique pour faire des prédictions sur plus de 40 000 points de données d’événements historiques, et elle utilise des outils d’explicabilité des modèles pour illustrer la logique derrière ses prédictions xGoals Match Facts.< em> 

Aujourd’hui, les plates-formes d’apprentissage automatique et les suites d’outils d’analyse font ce que les informaticiens imaginaient lorsque les algorithmes d’intelligence artificielle ont été théorisés pour la première fois dans les années 1950. Grâce à l’innovation dans l’infrastructure et les outils d’apprentissage automatique, nous assistons à une nouvelle transformation commerciale dans pratiquement tous les secteurs.

Bratin Saha est vice-président de l’apprentissage automatique chez AWS.

—

New Tech Forum offre un lieu pour explorer et discuter des technologies d’entreprise émergentes avec une profondeur et une ampleur sans précédent. La sélection est subjective, basée sur notre sélection des technologies que nous pensons être importantes et du plus grand intérêt pour les lecteurs d’InfoWorld. InfoWorld n’accepte pas les supports marketing pour publication et se réserve le droit de modifier tout le contenu fourni. Envoyez toutes vos demandes à newtechforum@infoworld.com.