Pourquoi tout projet d'intelligence artificielle nécessite la mise en place d'un écosystème MLOps
Mettre vos modèles en production avec MLOps
Comme le dit le célèbre dicton, c'est en temps de crise qu'il faut investir. Mais lorsque vous devez faire attention à vos dépenses, c'est plus facile à dire qu'à faire. En particulier lors de la mise en œuvre de nouvelles technologies, les chefs d'entreprise doivent souvent se rappeler qu'il ne s'agit pas d'une simple expérience : votre innovation doit apporter une réelle valeur ajoutée à l'entreprise. Cet article de blog stimulera le retour sur investissement des systèmes d'apprentissage automatique que vous mettez en œuvre.
Plus précisément, nous présentons le besoin de MLOps et la manière dont il aide à gérer la complexité des modèles d'apprentissage automatique et des déploiements. Ensuite, nous abordons les implications commerciales de la mise en œuvre de MLOps en tant qu'écosystème approprié. Enfin, nous abordons les défis liés à la mise en place d'une capacité MLOps afin de garantir le succès de vos initiatives d'apprentissage automatique au sein de votre organisation.
Introduction
Que se passerait-il si une entreprise automobile construisait chaque composant de ses voitures à partir de zéro pour chaque commande, sans chaîne de montage automatisée ni processus de fabrication allégé ? On peut imaginer que ce constructeur automobile n'existerait plus depuis très longtemps. Les autres constructeurs automobiles qui ont mis en place de tels processus le surpasseraient rapidement. Et pourtant, c'est ainsi que de nombreuses organisations abordent la production de leurs systèmes d'apprentissage automatique. Une organisation qui ne met pas en place des méthodes appropriées pour automatiser le développement et le redéploiement continu de ses modèles d'apprentissage automatique se retrouvera rapidement sur la même voie que l'entreprise automobile surclassée. Ainsi, la gestion des opérations d'apprentissage automatique fait de son introduction un élément nécessaire à la mise en œuvre de l'intelligence artificielle.
Permettre des capacités d'IA grâce à la gestion des opérations de ML
Tout comme les outils et processus traditionnels de gestion des opérations informatiques sont utilisés pour gérer et optimiser les performances des systèmes informatiques, les entreprises peuvent utiliser la gestion des opérations de ML pour gérer et optimiser les performances des modèles d'apprentissage automatique. L'un des éléments clés des opérations de ML est le développement de pipelines. À l'instar des constructeurs automobiles qui disposent de chaînes de montage, les organisations qui développent des systèmes d'apprentissage automatique disposent de pipelines MLOps. Il s'agit d'étapes automatisées visant à accroître la productivité et à éliminer les risques et les inefficacités.
Les étapes telles que la construction du châssis et de la carrosserie de la voiture trouvent leurs équivalents dans la collecte et la gestion des données, la construction du moteur de la voiture peut être comparée au développement d'un code d'apprentissage automatique réel, et ainsi de suite. La partie la plus importante, cependant, est l'opérationnalisation du processus, et c'est là que le développement de logiciels de ML diffère du développement de logiciels classiques et, par extension, de la chaîne de montage des voitures. Le véritable défi n'est pas d'écrire un code qui peut être expédié pour être déployé, ce qui est en fait un processus à sens unique, mais de construire un système d'apprentissage automatique intégré qui fonctionne en continu dans la production, ce qui est en fait un processus circulaire.
En outre, comme les modèles d'apprentissage automatique sont développés à partir de données existantes, ces modèles nécessitent un entraînement, et il est crucial de garder une trace des données sur lesquelles les modèles sont entraînés. Ainsi, alors que la gestion des opérations dans le développement classique de logiciels se concentre sur le suivi des versions du logiciel, MLOps se concentre sur les versions du code, des données et des modèles eux-mêmes. Après le développement et le déploiement, cela introduit donc deux composantes supplémentaires. La première est la gestion des données, qui assure la collecte, la qualité et le contrôle des versions des données, et la seconde est l'exploitation du modèle, c'est-à-dire le contrôle, la maintenance et l'amélioration continus du modèle.
En intégrant ces quatre composantes, MLOps vise à fournir un environnement d'automatisation tout au long du cycle de vie du modèle d'apprentissage automatique, de manière efficace, cohérente, reproductible et sécurisée.
L'impact commercial des MLOps
L'impact des MLOps ne peut être sous-estimé. En automatisant le cycle de vie de l'apprentissage automatique, les entreprises peuvent accélérer le processus de création et de déploiement des modèles, ce qui permet d'accélérer l'innovation et d'améliorer la prise de décision et, par conséquent, de réduire les délais de mise sur le marché. En outre, les MLOps peuvent aider les entreprises à réduire le coût du développement et du déploiement de l'apprentissage automatique, ainsi qu'à améliorer la qualité de leurs modèles.
Il est toutefois préférable de ne pas mesurer l'impact en fonction des métriques du modèle d'apprentissage automatique plutôt que des métriques et des objectifs de l'entreprise. Souvent, les scientifiques des données ont tendance à s'intéresser davantage à l'amélioration de la précision d'un modèle de 95 % à 96 %, alors qu'en réalité les entreprises devraient s'intéresser davantage à l'impact commercial de ce modèle. Par exemple, une augmentation d'un pour cent de la précision peut ne pas faire une différence significative pour l'entreprise, mais une augmentation d'un pour cent du chiffre d'affaires peut en faire une.
Le défi présenté ici consiste à lier les mesures de performance d'un modèle d'apprentissage automatique à la performance globale de l'entreprise. Quelles sont les performances de l'entreprise que le nouveau modèle d'apprentissage automatique est censé influencer, et comment pouvons-nous les mesurer ? Le nombre d'utilisateurs actifs, le taux de conversion ou le nombre de défauts détectés pour un produit en sont des exemples.
Une autre observation clé est que les améliorations de ces dernières années ont montré que les solutions d'IA sont devenues beaucoup plus matures qu'il y a seulement cinq ou dix ans. De nombreuses technologies d'apprentissage automatique ont fait la preuve de leur faisabilité et de leur valeur, ce qui élimine la nécessité d'élaborer des preuves de concept avec des fonds de recherche et développement. Il s'agit là d'un risque important et de l'une des principales raisons de l'échec des initiatives d'apprentissage automatique, à savoir le blocage de la phase d'expérimentation. En fait, 72% d'une cohorte d'organisations qui ont commencé des pilotes d'IA avant 2019 n'ont pas été en mesure de déployer ne serait-ce qu'une seule application en production.
Auparavant axée sur l'orchestration et le suivi des expériences, l'attention s'est déplacée vers la maturité de l'adoption. Plus une entreprise a adopté l'apprentissage automatique depuis longtemps, plus son pipeline sera efficace, plus son cycle de développement sera rapide, moins elle aura besoin de temps d'ingénierie et moins sa facture de cloud sera élevée. En ce sens, le retour sur investissement de l'adoption d'un système d'apprentissage automatique (et l'augmentation du retour sur investissement des futurs projets d'apprentissage automatique) est directement lié à la maturité de ce système, d'où la nécessité d'adopter les MLOps.
Construire une capacité MLOps
Les entreprises doivent garder à l'esprit que le MLOps n'est pas une solution universelle - il doit être adapté aux besoins spécifiques de chaque organisation. Il est toutefois recommandé aux organisations de bien comprendre les défis liés à la mise en place d'une capacité MLOps avant de la mettre en œuvre. Ces défis peuvent être identifiés dans cinq domaines : les compétences, le temps, le changement, la complexité et le coût.
La mise en œuvre des MLOps requiert un certain niveau de compétences et d'expertise, et les organisations doivent s'assurer qu'elles disposent du personnel adéquat pour le faire. Si ce n'est pas le cas, il est nécessaire d'investir dans le perfectionnement des talents existants ou dans de nouvelles fonctions. Cela peut prendre un certain temps et les organisations doivent s'y préparer. Par ailleurs, les organisations peuvent être amenées à changer leur façon de travailler, un facteur qui ne doit pas être sous-estimé. Le processus de mise en œuvre peut être complexe et les organisations doivent avoir une bonne compréhension du processus avant de s'y plonger. Enfin, la mise en œuvre des MLOps peut être coûteuse, non seulement en raison des compétences et du temps nécessaires, mais aussi en raison de l'infrastructure requise. Les organisations doivent s'assurer qu'elles disposent des ressources nécessaires.
En conclusion, la mise en place d'une capacité MLOps peut être un processus complexe et chronophage. Cependant, il s'agit d'un investissement important pour toute organisation qui souhaite tirer le meilleur parti de l'apprentissage automatique. En prenant le temps de comprendre les MLOps et en mettant en place l'équipe et l'infrastructure adéquates, les organisations peuvent récolter les fruits de modèles d'apprentissage automatique plus rapides, plus performants et plus fiables. Au fil du temps, ces avantages éclipseront complètement les efforts et les coûts que vous avez dû consentir pour les mettre en œuvre.