Elon a raison, l’IA est difficile : cinq pièges à éviter dans l’intelligence artificielle

Lors du récent événement Tesla AI Day, Elon Musk a déclaré qu’il déconseillait « l’apprentissage automatique, parce que c’est vraiment difficile. À moins d’être obligé d’utiliser l’apprentissage automatique, ne le faites pas. »

Eh bien, Musk a peut-être raison dans son analyse, car l’apprentissage automatique est assez difficile à mettre en œuvre. La plupart des entreprises souhaitent tirer parti de ce que l’intelligence artificielle peut accomplir pour leur activité, mais la plupart n’ont pas les moyens de la faire fonctionner. Ainsi, jusqu’à 85 % des projets de ML échouent actuellement.

La conclusion à tirer de la déclaration surprenante de Musk est que les entreprises ne peuvent pas traiter l’IA, dont l’apprentissage automatique est un sous-ensemble, comme un projet à temps partiel. De nombreuses entreprises commettent des erreurs importantes lorsqu’elles tentent de mettre en œuvre l’IA. Mais il n’est pas nécessaire qu’il en soit ainsi. Voici cinq constats de Bin Zhao, Ph.D., Lead Data Scientist chez Datatron, qui mettent en évidence certaines erreurs courantes dans la mise en œuvre de l’IA.

1. Attention : il ne s’agit pas d’un développement logiciel traditionnel

Ne traitez pas le développement de l’IA/ML comme un développement logiciel traditionnel. Le développement de modèles d’IA/ML est un processus très différent du développement logiciel, mais de nombreuses entreprises tentent d’appliquer le cycle de vie traditionnel du développement logiciel pour gérer les modèles d’IA/ML.

Le cycle de vie du développement du machine learning (MLLC) prend beaucoup plus de temps en raison de facteurs supplémentaires, notamment la traduction des algorithmes d’IA en code logiciel compatible, les besoins particuliers en infrastructure, la nécessité d’itérer fréquemment sur les modèles, etc. Par rapport aux langages de programmation traditionnels, le processus peut prendre plus de cinq fois plus de temps. Cela signifie que les processus classiques de mise en production des applications ne sont tout simplement pas applicables.

2. Utiliser ou standardiser les mauvais outils peut nuire à la productivité des data scientists

Ce type d’erreur dans le choix des outils entraîne des retards et des inefficacités inutiles. Dans la plupart des situations informatiques, les entreprises peuvent contrôler les types de serveurs qu’elles achètent, les outils logiciels qu’elles utilisent, les dépendances qu’elles mettent en place, etc.

Ce n’est pas le cas avec l’IA/ML : les entreprises doivent permettre à leurs data scientists d’utiliser les outils qu’ils préfèrent, en fonction de ce qui leur semble le plus efficace pour accomplir leur travail. Sinon, elles risquent de voir tous leurs data scientists partir.

3. Le personnel informatique et DevOps peut manquer d’expertise en ML

Le DevOps est l’union du développement logiciel et des opérations, avec pour objectifs de réduire le délai de livraison des solutions et de maintenir une bonne expérience utilisateur grâce à l’automatisation (par exemple, l’intégration et le déploiement continus, CI/CD, ainsi que la supervision). Mais les experts DevOps ne connaissent pas les subtilités du travail avec les modèles de ML.

MLOps est un terme récent qui désigne l’application des principes DevOps pour automatiser la construction, les tests et le déploiement de systèmes de ML. L’objectif du MLOps est de réunir le développement des applications de ML et l’exploitation de ces applications, afin de permettre aux équipes de déployer plus souvent des modèles plus performants.

4. Attention au décalage entre les compétences des data scientists

Les data scientists ont besoin des bonnes données brutes pour créer leurs modèles et excellent dans la recherche des données nécessaires à la conception des meilleurs modèles capables de résoudre les problèmes métier. Cela ne signifie toutefois pas qu’ils maîtrisent toutes les subtilités du déploiement de modèles destinés à fonctionner avec les applications et l’infrastructure existantes. Cela crée des frictions entre eux, l’équipe d’ingénierie et les responsables métier, ce qui entraîne une faible satisfaction professionnelle chez les data scientists.

Bien qu’ils soient hautement qualifiés et formés, ils doivent compter sur d’autres personnes pour le déploiement et la mise en production, ce qui signifie également qu’ils ne peuvent pas itérer rapidement. Et comme les projets passent aux mains de l’équipe d’ingénierie, qui ne possède pas les compétences en ML nécessaires, il est facile pour celle-ci de manquer certains détails — en particulier si le modèle ne produit pas de prédictions précises.

5. Ne vous laissez pas trop séduire par le romantisme de la recherche universitaire en IA, au détriment de la réalité métier

La recherche universitaire en IA s’est historiquement concentrée sur le développement de modèles et d’algorithmes. Peu d’efforts ont été consacrés à l’itération et à l’amélioration des jeux de données pour répondre à un problème métier précis, à la mise en production d’un modèle de machine learning ou à la supervision des modèles en production.

Construire et déployer un modèle de machine learning pour résoudre un problème concret va bien au-delà du simple développement de l’algorithme.

Un plan solide pour réussir avec le ML

La mise en production des modèles de ML est difficile, mais pas impossible. L’utilisation d’un nouveau cycle de vie du développement des modèles fluidifiera le processus de développement et de mise en production des modèles. Elle aidera les data scientists, les équipes d’ingénierie et les autres équipes concernées à prendre des décisions efficaces en temps voulu. Elle aidera également les équipes à réduire les risques liés à la production. Un outil efficace de gouvernance des modèles peut aussi contribuer à standardiser les processus, à simplifier la gouvernance et à réduire considérablement les risques.

À propos de l’auteur :

Bin Zhao, Ph.D., Lead Data Scientist chez Datatron