Obtenez le maximum de retour sur investissement pour votre entreprise avec MLOps – Leaders d’opinion

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 continuer ou de lancer de nouvelles initiatives d’IA dans 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.

Il est encore plus estimé que la majorité des projets d’IA/ML échoueront. Et ce fait peut rendre encore plus difficile l’obtention de l’approbation de la direction pour ces investissements. C’est là que MLOps – Machine Learning Operations – peut jouer un rôle clé.

L’actuel paysage de l’apprentissage automatique

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’apprentissage automatique 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’infrastructure pour permettre aux entreprises de le faire.

Le cycle de développement de l’apprentissage automatique est fondamentalement différent du cycle de développement logiciel traditionnel. Au cours des 20 dernières années, les gens ont, pour la plupart, compris ce qu’il faut pour que le logiciel traditionnel passe 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 développement logiciel (SDLC) pour le cycle de développement de l’apprentissage automatique (MLLC). Cependant, l’apprentissage automatique constitue un changement de paradigme important. Les allocations d’infrastructure sont uniques. Les langages et les cadres 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 entre six et neuf mois en raison de processus cloisonnés, de déconnexions entre les équipes et de traductions et de scripts manuels des modèles d’apprentissage automatique 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’apprentissage automatique 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 mal tourner. Lorsque les équipes IT/DevOps tentent d’opérationnaliser les modèles d’apprentissage automatique, elles 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 versions de ces modèles, il devient difficile de les suivre. L’un des principaux problèmes est que les outils utilisés ne résolvent pas le problème des bases de code et des cadres 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 ont également du mal à suivre et à versionner lorsqu’elles mettent à jour leurs modèles.

MLOps aide à combler les divisions entre la science des données et les opérations pour gérer les cycles de vie de l’apprentissage automatique en production – essentiellement en appliquant les principes de DevOps à la livraison de l’apprentissage automatique. Cela permet un temps de mise sur le marché plus rapide pour les solutions basées sur l’apprentissage automatique, 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 réaliser un ou deux modèles d’apprentissage automatique 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 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 clés du succès de MLOps

MLOps n’est pas une solution miracle. Vous devez toujours avoir les fondements appropriés et connaître les meilleures pratiques pour qu’il 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 scientifiques des données et les ingénieurs d’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 intensif en main-d’œuvre, nécessitant de grandes équipes d’ingénieurs d’apprentissage automatique. 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.