Depuis un certain nombre d’années, les leaders de l’industrie de la technologie parlent du concept d’usine informatique ou logicielle – ou d’industrialisation logicielle – dans laquelle le code est produit de manière automatisée, avec un effet de construction modulaire.
On peut se demander si les entreprises ont été capables de se transformer complètement en usines de logiciels, mais l’idée de passer d’applications et de services faits à la main et uniques à quelque chose de plus évolutif a du mérite.
Maintenant, il est question de produire une “usine d’IA”. Il s’agit “d’industrialiser la collecte de données, l’analyse et la prise de décision pour réinventer le cœur de l’entreprise moderne”, écrivent Marco Iansiti et Karim Lakhani, tous deux professeurs à l’Université Harvard, dans leur nouveau livre Competing in the Age of AI.
“L’usine d’IA est le moteur de décision évolutif qui alimente le modèle d’exploitation numérique de l’entreprise du XXIe siècle” déclarent-ils. “Les décisions managériales sont de plus en plus intégrées dans les logiciels.” La bonne nouvelle, c’est qu’il n’est pas nécessaire d’être un Netflix pour construire une usine d’IA, écrivent-ils. Voici les quatre éléments essentiels qui entrent dans la construction et l’exploitation d’une usine d’IA :
1. Renforcer le pipeline de données
Soit le processus de collecte, de saisie, de nettoyage, d’intégration, de traitement et de sauvegarde des données “d’une manière systématique, durable et évolutive”. Par exemple, Iansiti et Lakhani citent Netflix comme exemple d’une entreprise qui a “datafié” son activité, “extrayant systématiquement des données d’activités et de transactions qui sont naturellement en cours dans toute activité”.
Le nettoyage et l’intégration des données peuvent représenter un défi majeur, avertissent-ils. La première chose à faire dans la construction d’une usine d’IA, disent-ils, est d’investir dans un pipeline de données qui fonctionne bien.
2. Développer des algorithmes
C’est le processus de développement des capacités prédictives. Les algorithmes “peuvent être utilisés pour une variété d’applications, qu’il s’agisse de générer des prévisions relativement simples comme une prévision des ventes ou de suggérer des actions à sélectionner pour le trading à haute fréquence, ou encore de tâches complexes de reconnaissance d’images et de traduction linguistique” expliquent Iansiti et Karim Lakhani.
La plupart des systèmes d’IA utilisent l’une des trois approches suivantes pour élaborer des prévisions précises en utilisant l’apprentissage supervisé, l’apprentissage non supervisé et le renforcement des approches d’apprentissage automatique.
L’apprentissage supervisé vise à “se rapprocher le plus possible d’un expert humain dans la prédiction d’un résultat” à partir d’ensembles de données étiquetés.
L’apprentissage non supervisé “vise à trouver des regroupements naturels dans les données, sans étiquettes, et à découvrir des structures qui peuvent ne pas être évidentes pour l’observateur”.
Forme la plus avancée de l’apprentissage machine, l’apprentissage par renforcement “nécessite seulement un point de départ et une fonction de performance” déclarent les co-auteurs.
3. Ajouter une plate-forme d’expérimentation robuste
Une plateforme d’expérimentation est le mécanisme “par lequel les hypothèses concernant les nouveaux algorithmes de prévision et de décision sont testées pour s’assurer que les changements proposés ont l’effet escompté”. Cela est essentiel pour l’usine d’IA décrite par Iansiti et de Lakhani. “Les approches traditionnelles et ad hoc de l’expérimentation ne peuvent tout simplement pas gérer l’impact de ce qui est nécessaire” écrivent-ils.
4. Moderniser l’infrastructure logicielle
Il s’agit de l’ensemble des systèmes qui intègrent le pipeline dans des applications ou des services cohérents et des composants qui sont mis à la disposition des utilisateurs finaux.
“Une fois les données agrégées, nettoyées, affinées et traitées, elles sont mises à disposition via des interfaces cohérentes telles que les API, permettant aux applications de s’abonner rapidement, de tester ce dont elles ont besoin, de tester et de déployer” expliquent les co-auteurs. “Tout cela permet à une équipe de développement agile de construire une nouvelle application en quelques semaines, voire quelques jours.”
Les API, facteurs essentiels de succès
Les auteurs fournissent des conseils structurels supplémentaires, en insistant sur le fait que des API bien conçues sont un ingrédient clé pour les usines d’IA. “Les APIs limitent le flux de données à l’entrée et à la sortie des systèmes de l’usine logicielle,” déclarent-ils. “Les APIs contrôlent l’accès à certains des actifs les plus critiques et privés de l’organisation.”
En fin de compte, poursuivent-il, “les données, les logiciels et la connectivité qui sous-tendent une usine d’IA doivent résider dans une infrastructure informatique sécurisée, robuste et évolutive, de plus en plus sur le cloud, évolutive à la demande et construite avec des composants standard et des logiciels open-source”.
Article “The artificial intelligence factory, coming to an enterprise near you” traduit et adapté par ZDNet.fr
Comentários