Le développement réussi du machine learning nécessite un nouveau paradigme – Leaders d’opinion

Par Victor Thu, président, Datatron

Les initiatives utilisant le machine learning ne peuvent pas être traitées de la même manière que les projets impliquant des logiciels conventionnels. Il est essentiel de bouger rapidement pour pouvoir tester les choses, résoudre les problèmes et les tester à nouveau. En d’autres termes, vous devez être capable de faire échouer rapidement – et de le faire tôt dans le processus. Attendre plus tard dans ce processus pour trouver des problèmes peut s’avérer très coûteux et chronophage.

Le machine learning nécessite une nouvelle approche

Lorsque vous développez des logiciels en utilisant la méthode traditionnelle, vous utilisez la logique de décision. Pour être aussi précis que possible, vous incorporez une logique qui permet au logiciel de fonctionner correctement. Il n’y a généralement pas besoin de modifications après que la logique de l’application a été développée, à l’exception des corrections de bogues. C’est un processus de développement très méthodique ; vous avancez progressivement en vous assurant que chaque étape du processus est précise avant de passer à l’étape suivante. C’est une stratégie éprouvée qui a constamment démontré son efficacité pour le développement de logiciels.

Cependant, vous ne pouvez pas utiliser la même stratégie pour les projets d’intelligence artificielle/machine learning, car cela ne fonctionnera simplement pas. Au lieu de cela, vous devez avoir la capacité d’itérer rapidement et fréquemment pour trouver du succès avec un projet de machine learning. Puisque le machine learning nécessite une formation initiale et est un processus, vous devez l’aborder avec la connaissance qu’il ne sera pas précis la première fois qu’il est déployé.

Ce processus nécessite plusieurs itérations. La réalité est que votre premier modèle rencontrera des résultats inattendus 99 % du temps. Même si vous passez des mois à former votre modèle en laboratoire, il changera inévitablement une fois qu’il rencontrera des données et un trafic du monde réel.

N’essayez pas d’atteindre la perfection immédiate

Ainsi, pour tester un modèle et déterminer les modifications nécessaires, vous devez être capable de le mettre en production rapidement. Vous pouvez alors apporter des ajustements, le relancer et l’affiner. Pour cette raison, vous ne devriez pas mettre trop d’efforts pour essayer de rendre votre modèle parfait avant de le tester en production ; la première tentative ne sera pas parfaite, et personne ne devrait s’attendre à ce qu’elle le soit.

Alors que le modèle est développé en laboratoire, les améliorations supplémentaires de 92 % à 95 % de précision peuvent ne pas être significatives pour certains cas d’utilisation. Pourquoi ? Seule une petite partie des données de formation a été utilisée pour former votre modèle d’intelligence artificielle. Vous pouvez finir par investir beaucoup de temps et d’argent pour obtenir l’extra bit de précision tout en renonçant aux avantages que votre modèle pourrait vous offrir entre-temps.

Étapes efficaces pour le déploiement du machine learning

Puisqu’il y a une chance que le modèle échoue ou produise des prédictions incorrectes, les scientifiques du machine learning sont parfois réticents à mettre un modèle en production. C’est compréhensible, dans une certaine mesure. Vous avez besoin d’un système qui vous permet de voir les événements tels qu’ils se produisent en temps réel. Avec cette approche, vous pouvez immédiatement retirer et mettre à jour votre modèle, puis rapidement le relancer. Au lieu de vous enliser dans l’« analyse paralysante », c’est la méthode la plus efficace pour mettre les modèles de machine learning en production.

Il est préférable de simplement lancer le modèle et de le laisser acquérir de l’expérience. Cela ne supprime pas la nécessité pour les scientifiques des données de créer le modèle aussi précis que possible dès le départ. Mais dès que vous terminez cette première version, vous devriez commencer à collecter ces données importantes immédiatement.

Vous pouvez vouloir exécuter vos modèles en mode de test A/B ou en mode d’ombre contre des données du monde réel dans le cadre de ce processus. De cette façon, vous pouvez comparer les performances des différents modèles et avoir beaucoup de données et de preuves avant de choisir quel modèle promouvoir ou déclasser.

Construire un modèle localisé plutôt que de se concentrer sur la création d’un seul modèle global pour prédire le comportement de l’environnement macro est une autre meilleure pratique. Avec un modèle local, vous pouvez utiliser des données de situations spécifiques afin que le modèle se comporte comme il se doit pour chacune de ces situations. Cela économise du temps, des données et des efforts par rapport à un modèle global qui nécessiterait une quantité importante de ces ressources pour fonctionner.

Déterminer la demande de chaussures personnalisées servira d’exemple ici. Le modèle global pourrait être applicable au reste de l’Amérique du Nord s’il était basé sur la population de New York. Cependant, il ne représenterait probablement pas avec précision la demande dans d’autres parties du pays. Une stratégie de modèle localisé vous aurait permis d’obtenir des marges bénéficiaires plus élevées, que vous perdez maintenant.

Les modèles nécessitent des mises à jour régulières, bien sûr. Les modèles nécessitent des mises à jour continues car les données de l’environnement changent constamment, contrairement aux logiciels traditionnels qui peuvent être configurés une fois et laissés seuls. Les modèles de machine learning se détériorent avec le temps s’ils ne sont pas itérés régulièrement. Cela doit se produire au cours de la durée de vie du modèle et doit être soigneusement surveillé.

Le nouveau paradigme du machine learning

Comparer les modèles de machine learning aux logiciels conventionnels est peu sage. Cependant, les experts en machine learning bénéficient d’une technique de déploiement rapide pour les modèles d’IA/machine learning, tout comme les ingénieurs logiciels l’ont fait avec DevOps. Pour les projets de machine learning, vous avez besoin d’un système qui permet de lancer rapidement les modèles. Vous devez être capable de comparer différents modèles, en contraste efficace avec un modèle qui est actif et un qui ne l’est pas. Ces meilleures pratiques mentionnées ci-dessus vous aideront à contourner l’« analyse paralysante » et à échouer rapidement et tôt, afin que vous puissiez mettre à l’échelle votre machine learning.