Pour industrialiser l'intelligence artificielle, des plates-formes collaboratives existent

S'ouvrir pour étendre et pérenniser les usages de l’intelligence artificielle. Le constat s’est imposé : il faut abattre les murs des datalabs et permettre à tous les experts métiers de collaborer, voire de développer eux-mêmes leurs modèles d’IA. Après Watson d’IBM, une nouvelle génération de plates-formes de data science se développe pour faciliter un usage plus intégré et industrialisé de la data par les entreprises. La première caractéristique de ses plates-formes, c’est leur vaste couverture fonctionnelle, comme l’explique Alexis Fournier, le vice-président de la stratégie IA pour l’Europe, le Moyen-Orient et l’Afrique chez Dataiku : « Nous proposons une plate-forme end-to-end, c’est-à-dire capable de couvrir l’ensemble des tâches du cycle de vie du modèle. L’idée est d’avoir une interface unique pour définir les sources de données, les analyser, concevoir et tester le modèle jusqu’à le déployer dans l’infrastructure. »

Reprise par de nombreux éditeurs, cette approche se traduit par des capacités d’intégration et de manipulation des données très développées. Le système doit pouvoir se connecter à l’ensemble des sources de données potentiellement exploitables par un algorithme, que celles-ci soient structurées (base de données), semi-structurées (fichiers XML) ou non structurées (textes, images, sons). Il fournit ensuite des outils de préparation de données qui vont permettre à un data engineer et à un expert métier de les rendre exploitables par un algorithme d’IA. Enfin, il offre des outils interactifs de manipulation de données, de tests du modèle sur un échantillon de données jusqu’à son déploiement dans le cloud public ou sur un serveur de l’entreprise.

VOS INDICES

source

95.31 -0.07

29 Septembre 2023

Pétrole Brent contrat à terme échéance rapprochée

$ USD/baril

7976.23 +0.25

Août 2023

Cours mensuel du cuivre, base cathodes grade A.

€/tonne

10 =

28 Octobre 2022

Titane (éponge 99,6%) - Low

$ USD/kg

Tous les indices

Concentrer tous les outils sur une même plate-forme implique que des profils très différents puissent travailler dessus. Les informaticiens de la DSI (direction des systèmes d’information) vont paramétrer les sources de données, les data scientists vont coder leurs algorithmes directement dans leur langage préféré, qu’il s’agisse de SQL, de Python ou des langages spécialisés R et SAS, et exploiter les bibliothèques d’algorithmes développées dans ces langages. Enfin, les experts métiers doivent, eux aussi, exploiter la plate-forme pour analyser leurs données. Il est difficile, voire impossible, de former ces profils non informaticiens à des langages complexes et de les contraindre à développer. La solution des éditeurs est de proposer un mode dual : les data scientists peuvent coder leurs algorithmes manuellement dans le langage de leur choix, tandis que les experts métiers disposent d’un mode de type « no-code ». L’interface graphique leur permet d’élaborer un modèle en manipulant des algorithmes prêts à l’emploi, sous forme de composants. « Nous nous adressons à tous les utilisateurs potentiels de la donnée dans l’entreprise, souligne Raphaël Savy, le directeur pour l’Europe du Sud de l’éditeur américain Alteryx. Les utilisateurs métiers doivent pouvoir résoudre les problématiques qu’ils connaissent le mieux grâce à leur expertise, c’est ce que l’on appelle les citizen data analysts. » Le logiciel Alteryx Designer propose plus de 250 composants prêts à l’emploi, que les experts pourront manipuler pour analyser leurs données sans programmation.

Hamid Hashemi, Fondateur de Data&People et expert en data intelligence
« Une nouvelle génération d’outils très orientée business »

« La démocratisation et l’expérience utilisateur ont été pris à bras-le-corps par les éditeurs d’outils de data science et de machine learning. Un temps dédié aux statisticiens et aux data scientists, les premiers outils ont fait place à une nouvelle génération très orientée business, permettant aux métiers de prendre en main les algorithmes mais aussi des données de plus en plus massives et hétérogènes. Auparavant, il fallait connaître parfaitement le fonctionnement de chaque phase de la valorisation de la donnée, de la préparation à son utilisation. Dans le nouveau monde, les métiers doivent simplement savoir quelles données attend l’algorithme en entrée, à quoi sert l’algorithme et comment interpréter les sorties. Cette approche est plus rapide et moins coûteuse que celle consistant à former les utilisateurs au fonctionnement intrinsèque des algorithmes et au code. »

 

Vers une industrialisation de la production des modèles

Cette approche « no-code » est désormais reprise sur toutes les plates-formes de data science modernes et des algorithmes d’IA sont également déployés afin d’aider ces citizen data analysts à manipuler les données ou même à choisir le meilleur algorithme en fonction de la nature de ces données. C’est le cas de la plate-forme Viya de l’éditeur SAS, qui suggère les algorithmes en assortissant chacun d’eux d’un taux de confiance, mais aussi d’un argumentaire en langage naturel. Faire travailler tous les collaborateurs impliqués dans l’exploitation des données sur une même plate-forme est un moyen de faire émerger des idées et de les tester très rapidement sur un mode « test and learn ». Mais il ne s’agit pas de se limiter aux POC (preuves de concept), bien au contraire. Ces plates-formes visent à accélérer la mise en production de modèles. La priorité doit être donnée à la réutilisation des traitements, notamment ceux qui portent sur l’intégration des données. « Le nettoyage et la normalisation des données sont des tâches très chronophages, précise Raphaël Savy. Il faut réduire les délais induits par ces manipulations grâce à la réutilisation et à l’automatisation des traitements à appliquer aux données. »

D’autre part, des workflows transversaux permettent aux projets de modèles d’avancer pas à pas jusqu’à la mise en production, qui prend souvent du temps. De nombreuses semaines sont parfois nécessaires pour les développeurs et les ingénieurs d’exploitation afin d’industrialiser le modèle et d’assurer la sécurité des données. Les éditeurs apportent des solutions pour accélérer cette étape, notamment en hébergeant sur la plate-forme des web services prêts à être interrogés par les applications de l’entreprise, ou en générant de manière automatique des conteneurs logiciels prêts à être installés sur un serveur d’entreprise ou dans le cloud.

Pensées pour faciliter le travail collaboratif sur la data, ces plates-formes se veulent également simples à installer et à faire évoluer, en tout cas bien plus que les ERP (progiciels de gestion intégrés). « L’intérêt des plates-formes de data science modernes est que leur déploiement peut être progressif, souligne Pascal Brosset, le directeur technique de l’activité digital manufacturing de Capgemini. L’investissement initial est faible, notamment pour celles disponibles dans le cloud, et on va déployer les cas d’usage de l’IA un par un, en fonction des priorités et de la stratégie de l’entreprise. » La possibilité de souscrire à une plate-forme SaaS (software as a service), avec un paiement à l’usage, limite les dépenses et va permettre d’obtenir rapidement des premiers succès, un moyen de rallier peu à peu les différentes directions de l’entreprise et d’étendre les usages de l’IA partout où ils sont pertinents. Viendront ensuite la phase de structuration de toutes ces initiatives et la création d’un modèle de données commun, d’une sémantique commune à toute l’entreprise, qui faciliteront encore la création de nouvelles IA.

Sélectionné pour vous

Carbios franchit une nouvelle étape en vue de l'industrialisation du recyclage du textile

Après le rachat de l'entreprise de cybersécurité Splunk, Cisco face au défi de l’intégration

Cargill investit 50 millions d’euros et se dote d’un centre de R&D dédié à la protéine dans le Loiret