Les processus et les logiciels en libre-service éliminent la complexité inutile dans les environnements professionnels. Ils prennent ce qui est lent et compliqué et le rendent rapide et simple. Dans les contextes de libre-service, davantage de personnes résolvent elles-mêmes les problèmes plutôt que de s'en remettre à d'autres. La productivité augmente et une plus grande valeur commerciale est créée.
Actuellement, le cycle de vie de l'apprentissage machine (ML) - la construction, l'entraînement et le déploiement d'un modèle d'apprentissage machine - souffre d'un manque de libre-service. En conséquence, des dizaines d'organisations sont bloquées avec des projets d'apprentissage automatique défaillants, dont beaucoup ne voient jamais le jour.
L'apprentissage automatique a besoin d'une transformation en libre-service. Voici les huit caractéristiques essentielles d'une solution d'apprentissage automatique en libre-service.
1. La ML en libre-service vous permet de créer des pipelines d'intégration une fois pour toutes et de les réutiliser ensuite.
Dans le domaine de l'apprentissage automatique, les ingénieurs et les scientifiques des données recréent à plusieurs reprises les mêmes applications (ou des applications similaires) et les mêmes pipelines d'intégration de données. Par exemple, s'ils veulent ajouter des données à leur ensemble de données d'apprentissage, ils doivent effectuer un grand nombre des tâches de préparation des données qu'ils ont réalisées lors de la compilation des données d'apprentissage initiales. Avec l'apprentissage automatique en libre-service, si vous créez un pipeline d'intégration pendant la phase de préparation des données, vous pouvez le réutiliser à diverses fins, y compris pour l'entraînement continu de votre modèle.
2. Le ML en libre-service remplace le code par une interface visuelle de type "glisser-déposer" lorsque cela est possible.
Lors de la création d'ensembles de données de formation, les ingénieurs et les scientifiques des données passent beaucoup de temps à convertir les colonnes catégorielles en colonnes numériques, à nettoyer les valeurs manquantes, à extraire les composants des objets datetime, à échantillonner et à mélanger les données, ainsi qu'à exécuter d'autres fonctions préparatoires. Et ils le font en grande partie par le biais d'un codage fastidieux en Python, Java ou un autre langage de programmation. Une solution en libre-service vous permet d'effectuer ces tâches de routine en pointant et en cliquant (glisser-déposer). Vous gagnez ainsi du temps que vous pouvez consacrer aux aspects plus stratégiques de vos projets d'apprentissage automatique.
3. La ML en libre-service allège la charge de travail des services informatiques et DevOps
Les scientifiques des données et les ingénieurs en apprentissage automatique dépendent souvent de l'informatique pour fournir les données brutes nécessaires à l'entraînement de leurs modèles. Ils s'appuient également sur DevOps pour mettre le modèle final en production. Des goulets d'étranglement se forment inévitablement car les services informatiques et DevOps doivent équilibrer ces demandes de science des données par rapport à une longue liste d'autres priorités. La ML en libre-service limite la charge de travail des professionnels de l'informatique et du DevOps, notamment en permettant aux scientifiques des données de récupérer leurs propres données sources et en éliminant les étapes supplémentaires du processus de déploiement. Cela stimule la collaboration entre les services informatiques, DevOps, les ingénieurs de données, les spécialistes de l'intégration et les data scientists.
4. La ML en libre-service facilite les aspects stratégiques de la ML, qui requièrent une pensée critique et des compétences en matière de programmation.
Les scientifiques des données consacrent entre 53 et 80 % de leur temps à la collecte, à l'organisation et au nettoyage des données. Ils devraient plutôt tirer parti de leurs prouesses techniques pour résoudre des problèmes complexes, répondre à des questions difficiles et obtenir des résultats commerciaux grâce à l'apprentissage automatique. L'apprentissage automatique en libre-service automatise les tâches routinières de faible valeur afin de libérer du temps, de l'énergie et des ressources pour des activités à fort impact.
5. Le ML en libre-service élimine la phase de traduction du modèle
Une fois qu'un modèle a fait l'objet d'une formation et de tests rigoureux et qu'il est enfin prêt à être mis en service, DevOps doit le mettre en production. Pour ce faire, ils doivent généralement traduire le modèle dans un autre langage de programmation, en partie pour le synchroniser avec l'infrastructure technologique de leur organisation. Ils doivent également faire tourner des serveurs. La ML en libre-service vous permet de déployer votre modèle en tant qu'API dès qu'il est prêt, sans que vous ayez à configurer des serveurs web et à écrire du code.
6. Le ML en libre-service facilite la formation et le redéploiement continus de votre modèle.
Si vous voulez que votre modèle continue d'améliorer sa précision de prédiction et de s'adapter à l'évolution des tendances, vous devez l'entraîner en permanence avec des données supplémentaires. Dans un environnement conventionnel, cela signifie que vous devez suivre les mêmes étapes longues et fastidieuses pour acquérir des données, mettre à jour votre ensemble de données d'entraînement, demander à DevOps de redéployer le modèle, et ainsi de suite. L'apprentissage automatique en libre-service réduit considérablement la quantité de travail répétitif que vous devez effectuer pour entraîner continuellement votre modèle. Il vous permet d'utiliser des pipelines d'intégration déjà construits pour acquérir de nouvelles données brutes, préparer ces données, entraîner et valider le modèle, et rendre opérationnel le nouveau modèle amélioré.
7. L'apprentissage automatique en libre-service raccourcit le délai de rentabilisation de vos initiatives d'apprentissage automatique
Les pièges des approches traditionnelles de l'apprentissage automatique prolongent le temps nécessaire aux organisations pour voir les résultats de leurs projets de ML. Dans certains cas, leurs initiatives de ML s'effondrent complètement. L'apprentissage automatique en libre-service, en éliminant le travail répétitif, le codage excessif et les goulets d'étranglement, produit des résultats positifs plus rapidement. De plus, elle permet aux organisations de lancer un plus grand nombre de modèles performants qu'elles ne le feraient autrement.
8. Le self-service ML existe dans un plateforme
Lorsque les capacités de libre-service sont réparties entre plusieurs logiciels différents, elles perdent les qualités mêmes qui justifient leur appellation de "libre-service". En effet, le fait de passer constamment d'une application "libre-service" à une autre nuit à la productivité et conduit à des erreurs. L'apprentissage automatique en libre-service est contenu dans une solution intelligente. Ainsi, les personnes chargées du développement et de la production de l'apprentissage automatique peuvent intégrer des applications et des données, former et valider des modèles, et déployer ces modèles à l'aide d'une seule et même solution complète : plateforme.
SnapLogic Data Science : Faire de l'apprentissage automatique en libre-service une réalité
SnapLogic Data Science, une extension de SnapLogic Intelligent Integration Platform (IIP), fait de la théorie de l'apprentissage automatique en libre-service une réalité. En incarnant les huit caractéristiques essentielles de l'apprentissage automatique en libre-service, SnapLogic Data Science rend l'apprentissage automatique possible pour les organisations de toutes tailles. Il augmente considérablement la productivité des ingénieurs et des scientifiques des données et accélère ainsi vos projets d'apprentissage automatique. Construire des modèles d'apprentissage automatique est devenu beaucoup plus facile.
Pour en savoir plus sur les raisons pour lesquelles l'adoption d'une approche en libre-service de l'apprentissage automatique devient un impératif stratégique, lisez notre site ebook, "L'aube de l'apprentissage automatique en libre-service : Corriger les défauts du développement traditionnel de l'apprentissage automatique".
