Obtenez le plus grand effet d’entreprise IA pour votre argent avec MLOps – Leaders de pensée

Par Victor Thu, vice-président du succès client et des opérations, Datatron.

Une enquête menée par Gartner à la fin de 2020 a révélé que 75 % des répondants prévoyaient de poursuivre ou de lancer de nouvelles initiatives d’IA au cours de l’année à venir. Dans le même temps, les analystes de Gartner ont également constaté que l’un des principaux défis pour passer les initiatives d’IA en production est l’incapacité de ces organisations à relier ces investissements à la valeur commerciale.

Ce qui est plus, il est largement estimé que la majorité des projets d’IA/ML échoueront. Et ce fait peut rendre encore plus difficile l’obtention d’un accord de la part de la direction sur ces investissements. C’est là que MLOps – Machine Learning Operations – peut jouer un rôle clé.

L’actuel paysage ML

L’apprentissage automatique offre des possibilités considérables pour les organisations, mais la réalité est que parvenir à ces possibilités peut être coûteux et chronophage. Alors que l’intérêt pour la mise en œuvre de l’IA est élevé, la mise en production réelle reste faible. Le principal obstacle pour passer les solutions en production n’est pas la qualité des modèles, mais plutôt le manque d’infrastructures pour permettre aux entreprises de le faire.

Le cycle de vie de développement de l’apprentissage automatique est fondamentalement différent de celui du développement de logiciels traditionnels. Au cours des 20 dernières années, les gens ont, pour la plupart, compris ce qu’il faut pour que les logiciels traditionnels passent du développement à la production. Ils comprennent les éléments de calcul, de middleware, de réseau, de stockage et autres nécessaires pour garantir que l’application fonctionne correctement.

Malheureusement, la plupart des entreprises tentent d’utiliser le même cycle de vie de développement de logiciels (SDLC) pour le cycle de vie de développement de l’apprentissage automatique (MLLC). Cependant, l’IA est un changement de paradigme important. Les allocations d’infrastructure sont uniques. Les langages et les frameworks sont différents.

Les modèles d’apprentissage automatique peuvent être créés relativement rapidement en quelques semaines, mais le processus de mise de ces modèles en production peut prendre de six à neuf mois en raison de processus cloisonnés, de déconnexions entre les équipes et de traductions et de scripts manuels des modèles d’IA dans les applications existantes.

Il est également difficile de surveiller et de gouverner les modèles d’apprentissage automatique une fois qu’ils sont en production. Il n’y a aucune garantie que les modèles d’IA créés en laboratoire fonctionneront comme prévu en production. Et il y a plusieurs facteurs qui pourraient être à l’origine de cela.

Les avantages de MLOps

Lorsqu’il s’agit de déployer des modèles d’apprentissage automatique en production, comme mentionné, il y a beaucoup de choses qui peuvent aller mal. Lorsque les équipes IT/DevOps tentent d’opérationnaliser les modèles d’IA, ces équipes doivent scripter et automatiser manuellement les différents processus. Ces modèles sont souvent mis à jour, et chaque fois que les modèles sont mis à jour, l’ensemble du processus est répété.

Lorsqu’une organisation a de plus en plus de modèles et de différentes itérations de ces modèles, les suivre devient un problème énorme. L’un des principaux problèmes est que les outils qu’ils utilisent ne résolvent pas le problème des différents codes et frameworks disjointes les uns des autres. Cela peut entraîner des problèmes, ce qui entraîne une perte de temps et de ressources, entre autres problèmes. La plupart des équipes aujourd’hui ont également du mal à suivre et à versionner leurs modèles lorsqu’ils les mettent à jour.

MLOps aide à combler les divisions entre la science des données et les opérations pour gérer les cycles de vie de production de l’IA – essentiellement en appliquant les principes de DevOps à la livraison de l’IA. Cela permet un temps de mise sur le marché plus rapide pour les solutions basées sur l’IA, un taux d’expérimentation plus rapide et une garantie de qualité et de fiabilité.

En utilisant des modèles de SDLC traditionnels, vous pourriez peut-être obtenir un ou deux modèles d’IA par an, avec beaucoup de douleur et une grande inefficacité. Mais avec MLOps, vous pouvez mettre à l’échelle, vous pouvez donc résoudre plusieurs problèmes. Vous pouvez utiliser ces modèles pour aider à cibler mieux les clients potentiels, trouver des clients plus pertinents ou trouver et améliorer les inefficacités. Vous êtes en mesure de déployer des améliorations beaucoup plus rapidement, ce qui améliore en fin de compte la productivité et le profit.

Les éléments de la réussite de MLOps

MLOps n’est pas une solution miracle. Vous devez toujours avoir les bases et connaître les meilleures pratiques pour que cela fonctionne. Pour réussir avec MLOps, vous devez vous concentrer sur deux tâches principales. La première consiste à comprendre les différents rôles. Vous devez vous assurer d’avoir le bon ensemble diversifié de compétences et d’employés ; ne traitez pas les data scientists et les ingénieurs en apprentissage automatique comme une seule et même chose. Les deux sont nécessaires, mais vous avez besoin d’un mélange.

La deuxième chose à garder à l’esprit est de ne pas essayer de tout faire soi-même. MLOps est également très exigeant en main-d’œuvre, nécessitant de grandes équipes d’ingénieurs en IA. Il est important de réfléchir à ce dont vous avez besoin et d’examiner les outils disponibles pour vous aider à simplifier l’approche et à rationaliser le nombre de personnes dédiées nécessaires.

Avancer avec confiance

Les analystes de l’industrie estiment que près de la moitié des projets d’IA d’entreprise sont condamnés à échouer. Il y a plusieurs raisons à cet échec, notamment la culture d’une organisation. Mais une raison principale est le manque de technologie appropriée pour soutenir le projet. MLOps est un outil très utile pour aider les organisations à réussir dans leurs projets d’IA/ML, ce qui entraîne un avantage commercial concurrentiel.