Huit incontournables pour le succès des MLOps et quand les utiliser

Actualités de de l'Intelligence Artificielle - Machine Learning - Objets connectés

Huit incontournables pour le succès des MLOps et quand les utiliser


Nous avons récemment été rejoints par Mike Gualtieri, vice-président et analyste principal chez Forrester Research, pour un webinaire sur les huit domaines critiques des opérations d’apprentissage automatique (MLOps).

Vous pouvez maintenant lire les questions-réponses de ce webinaire, avec les réponses de Gualtieri. Regardez le webinaire complet ici.

Q: En règle générale, toute nouvelle initiative (quelle qu’elle soit) échoue 70% du temps. Une idée pourquoi le taux d’échec est deux fois plus élevé en ML?

UNE: Le principal défi est l’opérationnalisation du ML – c’est là qu’interviennent les opérations d’apprentissage automatique (MLOps). Étant donné que le ML est nouveau et que de nombreuses personnes dans les organisations ne le comprennent pas, il se peut qu’il ne passe pas par ce processus de travail en arrière comme le développement de logiciels. Au fur et à mesure qu’une entreprise connaîtra plus de succès et impliquera davantage de personnes, la discipline qui existe dans les logiciels commencera à s’appliquer davantage aux équipes de science des données et d’apprentissage automatique. Ce n’est pas parce que vous voulez qu’un modèle prédit quelque chose à la fin qu’il le fera nécessairement. Je pense que cela contribue vraiment au taux d’échec élevé.

Q: Pourquoi mon organisation devrait-elle adopter MLOps?

UNE: Toute organisation qui souhaite mettre en œuvre l’apprentissage automatique doit adopter les MLOps pour opérationnaliser les modèles à valeur commerciale. Sans MLOps, le processus prend trop de temps et se heurte à des défis techniques et commerciaux, avec un seul modèle. Qu’en est-il d’une douzaine de cas d’utilisation et de modèles? Cent? Un millier? Pour gérer cela, les entreprises ont besoin de MLOps, un processus rapide, répétable et évolutif que les équipes d’IA peuvent utiliser pour mettre en œuvre davantage de cas d’utilisation d’IA à haut retour sur investissement et les gérer en continu tout au long du cycle de vie du modèle d’IA.

Q: Lorsque j’adopte MLOps, quels problèmes résoudront-ils pour mon organisation?

UNE: La définition de Forrester des MLOps est «des outils, des technologies et des pratiques qui permettent aux équipes d’IA interfonctionnelles de déployer, surveiller, recycler et gérer efficacement les modèles d’IA dans les systèmes de production». Le mot clé de cette définition est «efficacement». Le cycle de vie de l’IA doit être continu pour réussir. Les ingénieurs de données acquièrent et préparent les données. Les équipes de science des données et d’apprentissage automatique analysent ces données pour créer des modèles. Les développeurs intègrent ces modèles dans les applications. Les professionnels des opérations d’infrastructure fournissent et gèrent l’infrastructure nécessaire pour exécuter des applications et des modèles. Le processus se poursuit au fur et à mesure que les équipes recyclent les modèles à partir de nouvelles données pour les redéployer. Tous ces transferts sont pleins de désordre et d’erreurs. MLOps apporte automatisation et discipline à n’importe quelle échelle.

Q: Quels sont les types de vulnérabilités de sécurité ML dont je dois être conscient lorsque je mets des modèles en production?

UNE: L’intégrité du modèle et la protection des données sont primordiales. Le modèle déployé doit être le modèle destiné à être déployé. Cela signifie que la lignée du modèle doit être suivie de la formation au déploiement. Le déploiement de la mauvaise version du modèle ou d’une version malicieusement modifiée du modèle peut avoir des conséquences commerciales désastreuses. De même, les données, si elles sont sensibles, utilisées lors de l’évaluation ou de l’inférence doivent être autorisées, authentifiées et consignées pour de futurs audits.

Q: À quoi ressemble la gouvernance des modèles de ML tout au long du cycle de vie du ML?

UNE: Pour être gouvernés, les modèles ML doivent disposer de fonctionnalités de gestion des versions, de lignage du cycle de vie et de sécurité, afin que tout membre de l’équipe puisse accéder à ce que d’autres ont fait, le répliquer, le valider et en tirer parti. Cela signifie: suivre les métadonnées, le lignage, la provenance, les données, orchestrer les flux de travail et la conformité en matière de sécurité.

Q: Comment dois-je introduire les MLOps dans mon organisation?

UNE: Il est courant que même un seul cas d’utilisation de ML génère des millions de dollars de valeur commerciale. Plus il y a de cas d’utilisation, plus il y a de valeur. MLOps est une capacité essentielle pour faire évoluer en toute confiance et efficacement les cas d’utilisation de ML. Les équipes de science des données et les équipes IA plus larges devraient comparer leur processus d’opérationnalisation actuel aux capacités MLOps présentées dans le webinaire. Identifiez les lacunes, puis recherchez des solutions sur le marché qui combleront rapidement ces lacunes. Un investissement dans une solution MLOps sera probablement rentable avec un seul cas d’utilisation et certainement à mesure qu’une organisation évolue vers plusieurs modèles et plusieurs cas d’utilisation.

Regardez le webinaire complet

En savoir plus sur les MLOps et ce dont vous avez besoin pour réussir en regardant le webinaire complet aujourd’hui.