Modèles d’apprentissage automatique personnalisés ou prêts à l’emploi ?

Quand est-il préférable de construire plutôt que d’acheter une solution prête à l’emploi ?

Les entreprises peuvent adopter différentes approches pour le développement de modèles. Des services de ML entièrement gérés aux modèles personnalisés, en passant par tout le spectre intermédiaire. En fonction des exigences commerciales, de l’expertise disponible et des contraintes de planification, elles doivent prendre une décision : doivent-elles développer des solutions personnalisées à partir de zéro ? Ou doivent-elles choisir un service prêt à l’emploi ?

Pour toutes les étapes des charges de travail de ML, une décision doit être prise concernant la façon dont les différents éléments du puzzle s’assembleront. De la collecte de données, de la préparation et de la visualisation, jusqu’à l’ingénierie de fonctionnalités, à la formation de modèles et à l’évaluation, les ingénieurs en apprentissage automatique se posent constamment la même question : sera-t-il une solution personnalisée, écrite et développée à partir de zéro ? Ou sera-t-il un service prêt à l’emploi ?

Mais quand est-il préférable de construire plutôt que d’acheter une solution prête à l’emploi ? Les principaux facteurs de différenciation entre les deux approches sont les efforts de prétraitement, la vitesse de développement et l’expertise requise.

Quels sont les éléments à considérer pour déterminer si l’on doit utiliser des modèles d’apprentissage automatique prêts à l’emploi ou personnalisés ?

Efforts de prétraitement

Les projets de ML sont confrontés à toutes sortes de défis, mais peut-être le plus grand défi est la disponibilité de données de formation. Le manque de données de formation peut arrêter un projet avant même qu’il ne démarre. Avant même que le projet ne démarre, il peut être confronté à des coûts de prétraitement importants pour la collecte de données, l’étiquetage de données, le nettoyage et les efforts de prétraitement. C’est le piège bien connu dans lequel de nombreux projets de ML échouent : le prétraitement finit par prendre 80 % des ressources allouées, alors que peu de ressources sont laissées pour la formation et l’évaluation réelles du modèle.

Les solutions prêtes à l’emploi atténuent les douleurs et les souffrances des efforts de prétraitement. Elles sont conçues pour effectuer les opérations les plus courantes avec une petite configuration requise. La meilleure chose à leur sujet est : les solutions prêtes à l’emploi existent pour toutes les étapes des charges de travail de ML.

D’un autre côté, les implémentations personnalisées nécessitent généralement plus d’efforts de prétraitement. Cela ne signifie pas qu’elles doivent être entièrement rejetées : elles sont toujours nécessaires pour affiner une certaine étape de ML aux spécificités du problème à résoudre. Un jeu de données particulièrement sale peut nécessiter des règles de nettoyage spéciales. Dans le même temps, un ensemble de fonctionnalités spécifiques peut nécessiter une ingénierie de fonctionnalités personnalisée, tout comme les architectures neuronales peuvent nécessiter des ajustements légers. Dans ce cas, les solutions personnalisées construites à partir de zéro sont susceptibles de répondre à tous les besoins.

Vitesse de développement

Les solutions prêtes à l’emploi se concentrent sur la configuration plutôt que sur la mise en œuvre. Au lieu d’allouer des ressources pour déterminer ce qui doit être fait, les équipes de ML se concentreront sur comment les différents éléments du puzzle s’assembleront. Cette approche permet aux entreprises, aux chercheurs et aux ingénieurs de mettre en œuvre rapidement des prototypes et des preuves de concept. Au lieu de réinventer la roue, les solutions prêtes à l’emploi permettent de tirer parti des connaissances existantes, ce qui permet ainsi d’économiser du temps de développement.

Les solutions personnalisées mises en œuvre à partir de zéro sont connues pour être beaucoup plus lentes en termes de vitesse de développement. Cela est dû à leurs besoins de maintenance accrus : les ingénieurs doivent déterminer à la fois ce qui et comment de la solution. De même, plus la solution est complexe, plus de temps et de ressources sont nécessaires pour assurer sa scalabilité et sa disponibilité lors de la production. Dans cette optique, les solutions personnalisées et les efforts de temps sont directement proportionnels : plus la solution est complexe, plus elle nécessite de temps.

En général, cependant, la vérité se situe quelque part entre les deux : une base de code existante sera réorganisée et adaptée aux besoins du projet en cours. C’est le cas de l’approche bien connue d’apprentissage par transfert pour la formation de modèles.

Expertise

De la même manière qu’il existe de multiples couches auxquelles l’apprentissage automatique est effectué, il existe de multiples niveaux d’expertise auxquels les modèles de ML peuvent être développés, allant des interfaces sans code aux modèles construits à partir de zéro.

Les solutions prêtes à l’emploi existent pour lesquelles très peu d’expertise en apprentissage automatique est requise. En utilisant des interfaces intuitives et même des approches de glisser-déposer, il est devenu extrêmement simple pour quiconque (des analystes commerciaux aux ingénieurs logiciels) de construire et de déployer un certain type de modèle d’apprentissage automatique. Même si cette approche simple de développement de modèles peut fonctionner pour les prototypes, elle est peu susceptible de répondre aux exigences des systèmes de production.

L’expertise est toujours requise pour configurer correctement, mettre en place et maintenir les solutions prêtes à l’emploi en production. Les contournements, les correctifs de code, la connexion à différentes interfaces API et la résolution des problèmes de déploiement sont des tâches courantes nécessaires pour assurer les performances des modèles dans les environnements de production.

Les solutions personnalisées sont généralement mises en œuvre à un niveau infrastructurel et il n’y a pas d’autre choix : l’expertise est définitivement requise. Selon la taille de l’entreprise et les objectifs du projet, des équipes multidisciplinaires peuvent être nécessaires pour maintenir les systèmes de production. Les scientifiques des données, les ingénieurs en apprentissage automatique et les analystes commerciaux travaillent ensemble pour donner un sens aux résultats d’inférence et maintenir les modèles de production.

Qu’est-ce que vous devriez utiliser : un modèle d’apprentissage automatique prêt à l’emploi ou personnalisé ?

Une solution de ML sera construite de nombreux composants et services individuels qui doivent s’assembler pour former une solution cohérente. Il ne s’agit jamais de choisir 100 % de solutions personnalisées ou 100 % de solutions prêtes à l’emploi, car différents problèmes commerciaux nécessitent différentes solutions. Plus souvent qu’autrement, les solutions basées sur le ML sont construites à partir d’un mélange des deux : des services prêts à l’emploi pour extraire des informations générales, combinés avec des modèles personnalisés pour une précision accrue et une modélisation de connaissances spécifiques au domaine.

Le secret est de savoir quand mettre en œuvre des solutions personnalisées à partir de zéro et quelles parties du projet peuvent tirer parti des avantages des services prêts à l’emploi. Cela dépend fortement du type de problème à résoudre, des exigences commerciales, des données disponibles et des contraintes globales de l’environnement de développement.

Pour plus d’informations sur l’IA et les tendances technologiques, consultez Josh Miramant, PDG de Blue Orange Digital, pour des solutions de données pour la chaîne d’approvisionnement, l’automatisation de la documentation de soins de santé et plus encore.

Vous aimerez peut-être également :

Utilisez le NLP pour classer les commentaires sur les médias sociaux

Comment le traitement du langage est amélioré grâce au modèle BERT open source de Google (GOOGL )