L'objectif du développement d'un modèle d'apprentissage automatique est de résoudre un problème, et tout modèle d'apprentissage automatique peut simplement le faire lorsqu'il est en production et qu'il est activement utilisé par ses clients. Ainsi, le déploiement de modèles est un aspect important impliqué dans la construction de modèles.
Il existe plusieurs approches pour définir des modèles dans des productions, avec différents avantages, en fonction du cas d'utilisation particulier. La plupart des scientifiques des données pensent que le déploiement de modèles est une mission d'ingénierie logicielle et devrait être géré par des ingénieurs en logiciel, car toutes les compétences requises sont plus étroitement alignées sur leur travail quotidien.
Des outils tels que Kubeflow, TFX, etc. peuvent expliquer le processus complet de déploiement de modèle, et les data scientists devraient les apprendre et les utiliser instantanément. L'utilisation d'outils tels que Dataflow permet en outre aux scientifiques des données de travailler beaucoup plus étroitement avec les équipes d'ingénierie, car il est possible de configurer des environnements de transfert dans lesquels des parties d'un pipeline de données peuvent être testées avant le déploiement.
Qu'est-ce que le déploiement de modèle?
Le déploiement est défini comme un processus par lequel vous intégrez un modèle d'apprentissage automatique dans un environnement de production existant pour obtenir des décisions commerciales efficaces basées sur des données. C'est l'une des dernières étapes du cycle de vie de l'apprentissage automatique.
La création d'un modèle n'est généralement pas la fin du projet. Selon les exigences, cette phase de déploiement peut être aussi simple que la création d'un rapport ou aussi compliquée que la mise en œuvre de tout processus de science des données reproductible.
Prenons l'exemple d'une carte de crédit, une société émettrice de cartes de crédit peut exiger l'utilisation d'un modèle ou d'un ensemble de modèles entraînés (exemple, méta-apprenant, réseaux de neurones) pour reconnaître instantanément les transactions, ayant de fortes chances d'être fausses et frauduleuses.
Mais même si l'analyste n'effectue pas le travail de déploiement, le consommateur doit comprendre dès le départ quelles actions seront nécessaires pour utiliser ces modèles conçus.
Aussi, lisez: Qu'est-ce que BERT? BERT pour la classification de texte
Étapes essentielles du déploiement de modèle:
Voici quelques étapes et idées de base pour un chemin de déploiement à suivre pour préparer votre modèle au déploiement. Vous devez garder à l'esprit ces mesures, au fur et à mesure que votre modèle passe de la recherche et du développement à la production.
Étape 1) Préparez et configurez votre pipeline de données
Maintenant, avant d'atteindre l'étape de déploiement du modèle prédictif, vous devez vous assurer que vos pipelines de données sont structuré efficacement et sont capables de vous fournir des données pertinentes et de haute qualité.
Le point le plus important ici est que ce qui se passe lorsque vous passez de l'étape de validation de principe (POC), où vous utilisez généralement un échantillon de données relativement petit, à l'étape de production, où de plus grandes quantités de données sont extraites d'un grand variété de jeux de données.
Il est essentiel de déterminer comment vous allez mettre à l'échelle vos pipelines de données et vos modèles une fois déployés.
Étape 2) Accédez aux données externes appropriées
Lorsque vous développez un modèle prédictif pour la production, vous devez vous assurer que vous utilisez les meilleures données possibles, provenant des sources les plus appropriées, du début au lancement. S'il est déjà vieux et gâté, il est possible que vos modèles soigneusement conçus ne soient pas d'une grande utilité.
Maintenant, un autre élément de ce défi consiste à saisir des données historiques adéquates pour obtenir une image complète. Certaines entreprises collectent toutes les données dont elles ont besoin de l'intérieur. Pour un contexte et une perspective complets, vous devez commencer à inclure des sources de données externes.
Des exemples d'ensembles de données externes intègrent des données géospatiales, des données d'entreprise, des données sur les personnes telles que les dépenses ou le comportement sur Internet, y compris des données temporelles, qui couvrent tout, des modèles climatiques aux tendances économiques.
Aussi, lisez: 10 cadres de développement de chatbot AI puissants
Étape 3) Créez de puissants outils d'automatisation des tests et de la formation
Des tests et une formation rigoureux et sans compromis sont très importants avant de passer à l'étape du déploiement du modèle prédictif, mais cela peut prendre du temps. Donc, pour éviter de ralentir, vous devez automatiser autant que vous le pouvez.
Cela ne signifie pas simplement travailler sur quelques astuces ou outils permettant de gagner du temps. Mais votre objectif devrait être de produire des modèles qui peuvent éventuellement fonctionner sans aucun effort ou action de votre part.
Avec la meilleure technologie, vous pouvez tout automatiser, de la collecte de données et de l'ingénierie des fonctionnalités à la formation et à la croissance de vos modèles. Cela vous aide également à rendre vos modèles complètement évolutifs sans multiplier votre charge de travail.
Étape 4) Planifier et concevoir des protocoles robustes de surveillance, d'audit et de recyclage
Avant de déployer et d'utiliser votre modèle prédictif, vous devez savoir s'il produit réellement le type de résultats que vous recherchiez. Vous devez vérifier que ces résultats sont exacts et que les données que vous chargez dans le modèle garderont ces modèles cohérents et pertinents au fil du temps. En outre, des données anciennes faibles peuvent créer une dérive du modèle, entraînant des résultats inexacts.
Cela implique que vous devez créer des processus de formation et des pipelines qui attirent de nouvelles données, surveiller vos sources de données internes et vous informer des fonctionnalités qui vous fournissent toujours des informations importantes.
Vous ne devez jamais faire preuve de complaisance à ce sujet, sinon vos modèles pourraient influencer votre entreprise dans des directions peu utiles. Il est essentiel de maintenir les processus en place pour surveiller vos résultats, en vous assurant que vous ne vous contentez pas d'introduire de plus en plus de mauvais types de données dans votre modèle prédictif.
Vous devez également effectuer Test AB pour connaître les performances de ces modèles sur différentes versions.
Aussi, lisez: Intelligence artificielle dans la santé: la meilleure façon de battre la concurrence en 2021
Derniers mots: rationaliser le processus
Les modèles sont généralement entraînés avec des données, et la capacité prédictive est liée à la qualité des données. Au fur et à mesure que le temps passe et que l'environnement change tout au long du modèle, sa précision commence à chuter de manière concluante.
Cet événement est nommé "dérive”, et il peut être contrôlé et même utilisé comme déclencheur pour recycler le modèle. Les données doivent également être surveillées et mises en correspondance avec les données du passé.
Connaître et comprendre les propriétés analytiques des données modifiées ? De plus, s'il y a des valeurs aberrantes différentes ou ajoutées qu'avant ?
La clé est donc d'automatiser et de rationaliser le processus partout où vous le pouvez, en réduisant le temps de déploiement et en vous assurant que vous utilisez constamment les données les plus récentes, pertinentes et de qualité.
Services de conseil en IA
Vous envisagez de tirer parti de l'IA pour votre entreprise? Nous fournissons AI Consulting pour aider l'organisation à mettre en œuvre cette technologie. Connectez-vous avec notre équipe pour en savoir plus.
