Au sein d’une plate-forme d’IA d’entreprise : les cinq couches logiques

0

Une plate-forme d’IA d’entreprise est un cadre permettant d’accélérer le cycle de vie complet des projets d’IA d’entreprise à grande échelle. Il offre aux organisations un moyen structuré mais flexible de créer des solutions basées sur l’IA, aujourd’hui et à long terme. Il permet également aux services d’intelligence artificielle de passer des preuves de concept aux systèmes à l’échelle de la production.

Couche données et intégration

La couche de données et d’intégration donne accès aux données de l’entreprise. Cet accès aux données est essentiel car, dans l’IA, les développeurs ne codent pas les règles à la main. Au contraire, la machine apprend les règles en fonction des données auxquelles elle a accès. Les composants de données incluent également des éléments de transformation des données et de gouvernance facilitant la gestion des référentiels de données et des sources. Les sources de données peuvent être encapsulées dans des services permettant d’interagir avec les données à un niveau abstrait, fournissant un point de référence unique à une ontologie de données de plate-forme existante. Plus important encore, les données doivent être de bonne qualité et les scientifiques de l’intelligence artificielle doivent être en mesure de créer les pipelines de données dont ils ont besoin.

Couche d’expérimentation

La couche d’expérimentation est l’endroit où les scientifiques de l’IA développent, testent et répètent leurs hypothèses. Une bonne couche d’expérimentation apporte une automatisation pour l’ingénierie des caractéristiques, la sélection des caractéristiques, la sélection des modèles, l’optimisation des modèles et leur interprétabilité. La gestion des idées et la gestion des modèles sont essentielles pour permettre aux scientifiques de l’IA de collaborer et d’éviter les répétitions.

Couche opérations et déploiement

La couche Opérations & Déploiement est importante pour la gouvernance et le déploiement de modèles. La couche des opérations inclut les résultats des expériences menées par les ingénieurs et les administrateurs système. Il propose des outils et des mécanismes permettant de gérer le déploiement «conteneurisé» de divers modèles et autres composants sur la plate-forme. Il permet également de surveiller la précision des performances du modèle.

Dans la couche opérations

Lorsqu’une organisation explore les possibilités d’utilisation de l’intelligence artificielle, elle a besoin d’une approche formelle pour suivre ces idées: tester les possibilités, capturer ce qui fonctionne et maintenir un “cimetière d’idées” pour des concepts testés et jugés intenables. Cela peut sembler simple, mais la quantité potentielle d’idées et de nuances entre elles peut rapidement devenir accablante. Pour éviter cette complexité, les entreprises doivent concevoir et mettre en œuvre un processus automatisé de gestion des idées permettant de suivre et de gérer le cycle de vie des idées et des expériences. Cela aide à suivre la performance des idées et à en garantir la qualité. Vous pouvez également gagner en efficacité en offrant une visibilité des idées retenues à l’échelle de l’équipe et en gérant les doubles emplois et les conflits potentiels.

Une approche similaire peut être appliquée à la gestion des modèles. Construire des algorithmes d’apprentissage automatique dans le monde réel est complexe et hautement itératif. Un scientifique de l’IA peut construire des dizaines voire des centaines de modèles avant d’en arriver à un modèle répondant à certains critères d’acceptation. Maintenant, imaginez que vous soyez un scientifique de l’IA sans processus ni outil formel pour gérer ces produits de travail.

Un processus formel de gestion de modèle atténuera cette douleur pour les individus et l’organisation. Il permet aux scientifiques de l’IA de suivre leurs travaux en détail, en enregistrant leurs expériences. Un tel processus leur permet également de capturer des informations importantes allant de la manière dont la normalisation a affecté les résultats à la manière dont les caractéristiques granulaires semblent affecter les performances pour un certain sous-ensemble de données.

Dans l’ensemble de l’organisation, une bonne gestion des modèles permet aux scientifiques de données d’examiner, de réviser et de s’appuyer sur le travail des autres, accélérant ainsi les progrès et évitant les pertes de temps. Il permet également à l’organisation de mener des méta-analyses sur plusieurs modèles afin de répondre à des questions plus larges.

Pour réussir à l’échelle de l’entreprise, une organisation doit pouvoir stocker, suivre et indexer des modèles ainsi que des pipelines de données. La gestion des modèles traditionnels doit être étendue à la gestion de la configuration. L’enregistrement de chaque modèle, de ses paramètres et de ses pipelines de données permet aux modèles d’être interrogés, reproduits, analysés et partagés. Cependant, la gestion des modèles ne testera pas simultanément les fonctionnalités testées et supprimées, les modifications apportées aux pipelines de données ou les ressources de calcul mises à disposition pour permettre une formation suffisante, pour ne nommer que quelques activités clés. Avec les données de gestion de modèle, le suivi de ce type d’informations de configuration peut accélérer le déploiement des services d’intelligence artificielle tout en réduisant le travail en double. Une organisation n’atteindra jamais ce niveau de visibilité et d’analyse lors de la gestion de modèles via des feuilles de calcul selon IA School.

Couche d’intelligence

La couche d’intelligence alimente l’IA pendant l’exécution, les activités de formation étant gérées dans la couche d’expérimentation. C’est le produit de solutions techniques et d’équipes de produits travaillant en collaboration avec des experts en expérience cognitive. La couche intelligence peut exposer les deux composants réutilisables. Au cœur de l’orchestration et de la fourniture de services intelligents, la couche d’intelligence est la principale ressource permettant d’orienter la prestation de services et peut être mise en œuvre aussi simplement comme un relais fixe des demandes aux réponses. Idéalement, toutefois, il est mis en œuvre à l’aide de concepts tels que la découverte de service dynamique et l’identification d’intention, afin de fournir une plate-forme de réponse flexible qui permet une interaction cognitive malgré des directions ambiguës.

Couche d’expérience

La couche d’expérience interagit avec les utilisateurs grâce à des technologies telles que l’interface utilisateur conversationnelle, la réalité augmentée et le contrôle des gestes. Les plates-formes d’intelligence artificielle constituent un domaine en pleine expansion, englobant les composants permettant la conception visuelle et conversationnelle d’une solution. Il appartient généralement à une équipe d’expérience cognitive composée d’experts en utilisateurs traditionnels, d’experts en conversation, de concepteurs visuels et d’autres personnes créatives qui créent des expériences riches et enrichissantes grâce à la technologie de l’IA.

Laisser un commentaire

Votre adresse email ne sera pas publiée.