Les 5 principaux défis lors de la mise à l’échelle de l’apprentissage automatique

Envisagez-vous de mettre à l’échelle l’apprentissage automatique dans votre entreprise ? Si tel est le cas, il y a quelques considérations à prendre en compte avant de se lancer. Cet article mettra en lumière les 5 principaux défis auxquels les entreprises sont confrontées lors de la mise à l’échelle des systèmes d’apprentissage automatique.

Les modèles d’apprentissage automatique ont changé notre façon de faire des affaires. Les possibilités sont sans fin et le monde des affaires sait que l’utilisation de modèles ML peut créer un monde de changement dans la réalisation de leurs gains commerciaux. Au cours du premier trimestre 2019, plus de 28,5 milliards de dollars ont été financés trécompenses ML. Avec le Covid-19 et le passage au travail à domicile, la transformation numérique a connu une incroyable résurgence. Les entreprises qui ont adopté l’IA et le ML au cours de cette période n’ont fait que croître davantage.

Malgré l’acceptation généralisée du ML, il est difficile de traduire la technologie en gains commerciaux. Lors de la mise en production de modèles ML, de nombreux problèmes surviennent. L’évolutivité est une phase importante pour les opérations d’apprentissage automatique dans le monde réel.

Examinons les 5 principaux défis que vous rencontrez lors de la mise à l’échelle de la modélisation de la machine .

1. Complexités des données :

Pour former un modèle ML avec des données, vous avez besoin d’au moins un million d’enregistrements pertinents. Il y a des problèmes de faisabilité des données et des problèmes de prévisibilité qui s’ajoutent au mélange. Obtenir des ensembles de données pertinents et contextuels n’est pas une tâche facile. Lorsque vous avez des systèmes de données traditionnels, les scientifiques des données finissent par passer la majorité de leur temps à nettoyer et à gérer les données.

Vous avez besoin d’un système de gouvernance solide et d’un système de catalogage des données en place pour assurer la transparence des données. S’il y a une grande complexité des données, le coût d’avoir un modèle ML par rapport au rendement diminue avec le temps.

2. Performances techniques :

Les algorithmes d’IA nécessitent généralement un traitement informatique extrêmement intensif. Il implique la manipulation de matrices, l’analyse statistique et l’algèbre linéaire. Pour obtenir les résultats que vous recherchez, vous devez recommencer les calculs encore et encore. Comme nous l’avons mentionné plus tôt dans l’article, des centaines de milliers de points de données sont nécessaires pour exécuter des systèmes d’IA, parfois même des millions. Qu’est-ce que cela implique ? Cela signifie que les besoins en stockage et les capacités de traitement informatique des systèmes d’IA sont immenses.

Les performances techniques des systèmes d’IA sont ici essentielles. Au cours des premières étapes de la construction d’un système d’IA, vous ne travaillerez que sur de petits sous-ensembles de données. À ce stade, les ressources informatiques dont vous avez besoin sont moindres, mais au fur et à mesure de la progression, les besoins deviennent exponentiels, et c’est là que l’importance des performances du système d’IA est cruciale. Si les performances ne sont pas conformes aux normes attendues, il se peut qu’elles fonctionnent bien pendant les tests, mais dans des conditions réelles, elles risquent de ne pas fonctionner.

3. Comportements inattendus :

Pour ceux qui utilisent une nouvelle solution d’IA, il est impératif que vous leur offriez un soutien pour utiliser correctement la technologie. Mais il y a des moments où l’entreprise rencontre des problèmes, et ceux-ci peuvent ne pas avoir été rencontrés pendant le processus de test. L’IA devrait pouvoir s’adapter à des problèmes qui n’étaient pas prévus.

Il y aura des problèmes qui surgiront en raison de la nature volatile des changements au sein des systèmes AI/ML. Mais ces changements signifient généralement que le système AI/ML s’est amélioré et que l’algorithme est plus précis. Un défi important que rencontrent la plupart des systèmes ML est la montée en puissance de scénarios qui peuvent être considérés comme techniquement difficiles ou de nature critique. L’accent devrait être mis sur le développement d’options d’urgence qui peuvent faire face à l’inattendu.

4. Sécurité et gouvernance des données :

Un autre défi que la plupart des systèmes d’IA/ML rencontrent lors de la mise à l’échelle est les problèmes de sécurité des données qui l’entourent. Il y aura différents types de données, trop nombreuses au même endroit, ce qui les rend vulnérables aux risques commerciaux potentiels. Lorsque vous êtes constamment confronté à des problèmes de sécurité, cela nuira à la réputation de votre marque.

La perspective de perdre des données de clients potentiels existe également, mais cela peut être compensé par une solide infrastructure de cybersécurité en place. Malheureusement, les fonctionnalités habituelles de cybersécurité ne s’appliquent pas aux ordinateurs IA. Lors de la création de systèmes d’IA, vous devez également tenir compte des aspects de sécurité et de confidentialité.

Étant donné que l’IA essaie de trouver un sens à des ensembles de données disparates et incomplets, il existe également plus de défis qui présentent un risque pour la sécurité. Même des données sûres, lorsqu’elles sont mélangées à d’autres données, peuvent poser de sérieux problèmes commerciaux. En fin de compte, vous devez planifier des mesures de sécurité lorsque vous traitez toutes sortes de données, pas seulement des données sensibles.

La création d’un pipeline d’apprentissage automatique n’est que le début. Pour vous assurer que votre modèle fonctionne en production de la manière la plus efficace, il convient de considérer quelques défis pour mettre à l’échelle les modèles ML. Regardez cette vidéo de notre responsable de module, Senthil Siddharth, pour comprendre les défis liés à l’atteinte de l’excellence opérationnelle pour les modèles d’apprentissage automatique. Écoutez la vidéo et faites-nous part de vos opinions ou de vos questions dans la section des commentaires vidéo.

5. Personnes et processus :

Lorsqu’une nouvelle technologie est introduite, vous devez faire savoir aux gens qu’elle leur sera bénéfique. Même si vous deviez leur enseigner les immenses avantages qu’ils retireraient de la nouvelle technologie, les chances qu’ils soient opposés à travailler dessus ou même à l’utiliser sont toujours là. Les solutions ML ne sont pas différentes.

Lorsque vous voulez que vos employés adoptent la technologie ML dans leur engagement quotidien, vous voulez qu’ils passent à l’utiliser et l’acceptent pleinement. Vous devez rédiger des politiques, modifier des processus, parler aux gens, obtenir l’adhésion de la direction, former les utilisateurs, soutenir les entreprises, etc.

Il y aura évidemment des changements du côté des clients également. Certains des changements pourraient être de meilleures recommandations de produits, des chatbots, de nouvelles politiques du service client, etc. L’entreprise doit tenir compte des réactions des clients. N’oubliez pas que lorsque vous faites évoluer le ML, vous voulez voir l’impact direct qu’il a sur vos clients.

Conclusion:

L’un des plus grands défis lorsqu’il s’agit de faire évoluer la technologie AI/ML est le nombre d’hypothèses et d’idées fausses qui les entourent, en particulier parmi les chefs d’entreprise non techniques. Même des événements tels que Covid-19 sont des défis pour les systèmes AI/ML car il y a un changement dans le comportement des utilisateurs, et les anciennes solutions pourraient ne plus être pertinentes.