L’IA à grande échelle

L’accélération de l’intégration de l’IA au sein de votre entreprise peut générer une croissance positive. 90 % des initiatives d’IA des entreprises peinent à dépasser les phases de test. Les entreprises mûrissent en science des données, mais ne parviennent toujours pas à intégrer et à étendre l’analytique avancée et l’IA/ML dans la prise de décision quotidienne en temps réel – elles ne peuvent donc pas tirer parti de la valeur de l’IA. Une transformation numérique accélérée sera nécessaire pour le nouveau monde du télétravail et l’IA/ML peut être mise à profit pour y parvenir plus rapidement. Et cela se traduit par des opérations plus efficaces, une expérience client plus convaincante et une prise de décision plus perspicace. Les entreprises peuvent réaliser des gains significatifs sur l’ensemble de la chaîne de valeur grâce à l’IA, mais elles doivent le faire correctement dès le début ou prendre le risque d’accumuler des amendes, des pénalités, des erreurs, des résultats corrompus et une méfiance générale de la part de leurs utilisateurs professionnels et du marché.

Les entreprises qui développent l’IA de manière stratégique affichent un rendement presque 3 fois supérieur aux investissements dans l’IA par rapport aux entreprises qui recherchent des preuves de concepts cloisonnées.

IBM Services dispose de capacités de bout en bout pour générer de la valeur à partir de l’IA. Stimulez l’innovation durable à l’échelle de l’entreprise avec des modèles d’IA/ML évolutifs, respectueux de l’environnement, exploitables, réutilisables et évolutifs, qui ne sont pas de simples expériences scientifiques ponctuelles. Les services IBM pour l'IA à l’échelle visent à adapter les engagements et les applications actuels en matière d'IA vers une configuration d'entreprise. Elle est composée de plusieurs piliers qui composent l’offre globale :

Nous partons de l’ambition d’établir et de développer une IA et des données dignes de confiance en tant que composantes clés de la stratégie métier pour obtenir un avantage concurrentiel. Nous nous appuyons sur un cadre des exigences pour générer une véritable valeur d’IA à laquelle vous et vos clients pouvez faire confiance.

Nous vous conseillons et travaillons en collaboration avec votre équipe pour élaborer un modèle opérationnel sur mesure. Nous sommes conscients que chaque entreprise est différente et que ce qui fonctionne pour l’une ne fonctionnera pas pour l’autre. Par exemple, un modèle fédéré au lieu d’un modèle non fédéré. Nous travaillons ensuite à vos côtés pour développer un pipeline d’initiatives qui produit une valeur commerciale mesurable grâce à l’exploitation des actifs de l’IA par des équipes évolutives et connectées.

Nous orientons votre orientation en matière de données et de Technologie en matière d'IA avec la capacité de migrer et de construire de nouvelles applications fondées sur les données et ML par l'utilisation d'un portefeuille de produits d'IA qui sont suffisamment flexibles pour collecter, intégrer et gérer des données pour de multiples cas d’utilisation, plateformes et cloud.

Nous positionnons les opérations d’IA comme un élément clé et une partie essentielle du déploiement répété, cohérent et à grande échelle de la science des données et des modèles d’IA, avec quatre objectifs principaux : concevoir, déployer, surveiller et faire confiance.

Nous aidons à développer la gestion du changement pour augmenter les taux d’adoption de l’IA avec un risque minimal en établissant une gestion du changement active et à niveau d’entreprise. Cette approche permet d’identifier et d’adresser les bloqueurs à la manière dont l’IA peut créer de la valeur pour votre entreprise.

Nous vous aidons à choisir les compétences, les rôles et la structure d'équipe appropriés au sein de l'organisation de l'IA, ce qui est essentiel pour atteindre la maturité et l'évolutivité.

Un détail important d’IBM Services for AI at Scale est que vous n’avez pas à repartir de zéro. IBM fonctionne avec votre environnement existant : automatisation de votre intelligence, votre gouvernance et votre gestion des données. Le client peut bénéficier d’une visibilité et d’un contrôle complets sur ses Workloads, où qu’il se trouve, ce qui génère une véritable valeur métier. Dans le but de minimiser le temps de déploiement et le temps de valorisation avec un risque réduit, le processus d’IBM comprend une approche en quatre phases pour la mise en œuvre de l’IA à l’échelle.

1. Phase d’évaluation (4 à 6 semaines) : audit, évaluation et planification à court terme pour identifier les lacunes dans les processus, les méthodes et les outils existants. Travailler en collaboration avec le client pour mettre en œuvre les premières solutions.

2. Conception et mise en place (4 à 6 semaines) : créez en collaboration un cadre des exigences pour construire, faire évoluer et gérer l’IA. Mettez en place un cadre des exigences d’évolutivité avec le client basé sur l’environnement existant.

3. Adopter (3-4 mois) : Travail en collaboration pour livrer les premiers projets. Pilotez 3 à 5 MVP sur le cadre des exigences pour l'affiner ; finalisez et mettez en place l'architecture, les processus, le programme. Travailler en collaboration avec le client pour mettre en œuvre les premières solutions. IBM Garage : Co-créer, co-exécuter, co-opérer.

Mise à l’échelle (en cours) : mettez en place une équipe de mise à l’échelle, gérez le machine learning en production. Fournissez au client une IA en tant que service entièrement gérée dans l’entreprise, afin qu’il puisse se concentrer sur ses défis métier.

RAD-ML est le cadre d’IBM pour accélérer rapidement le délai de production des applications de science des données via l’automatisation. Soutenu par la méthodologie Rapid Asset Development – Machine Learning (RAD-ML) et d’autres actifs et accélérateurs d’IBM, IBM Services for AI at Scale fournit des cadres responsables, cohérents mais innovants pour aborder et exploiter la data science afin de construire des modèles d’IA/ML reproductibles, réutilisables, évolutifs et exploitables. L’offre d’IBM réduit considérablement le temps de développement de ces modèles et établit des pipelines pour accélérer leur déploiement en production, tout en augmentant l’efficacité des data scientists des clients, leur permettant ainsi de se concentrer sur l’atteinte des résultats attendus et de faire ce qu’ils font de mieux et apprécient le plus.

IBM Services for AI at Scale est un service « consult-to-operate » qui fournit un moyen d’intégrer et de mettre à l’échelle de manière cohérente les PoCs IA/ML dans la production, ainsi que d’exécuter et de gérer ces modèles d’IA/ML au fil du temps. Les actifs développés à l’aide des directives de la méthode RAD-ML peuvent être plus facilement déployés sur une architecture de machine learning évolutive.

RAD-ML est un cadre des exigences éprouvé pour développer des actifs évolutifs de ML, définissant la préparation des actifs à travers les dimensions fonctionnelles et stratégiques, et peut être utilisé comme point de départ pour toute solution IA/ML si le client ne dispose pas d’un cadre commun. Il peut être utilisé pour développer des actifs ou des modules de science des données autonomes en plus de solutions existantes. Il permet de créer des ressources de machine learning qui respectent les trois capacités (actionnables, réutilisables et évolutives) en utilisant les concepts clés suivants :

– Les actifs de machine learning doivent être intégrés dans les processus métier avec un ROI éprouvé

▪Les ressources de machine learning doivent être flexibles selon les contextes de données et les investissements technologiques

▪ Les actifs de machine learning devraient être basés sur une Technologie robuste et une conception opérationnelle qui peut être étendue

Chaque projet RAD-ML doit être intégré à l’environnement client préexistant. Il faudrait également ajouter les accélérateurs RAD-ML open source et gratuits : Brainstem, dash-blocks, architecture et modèles de documents. Pour définir une architecture ML Ops adaptée et normalisée, il convient d'établir une vue d'ensemble détaillée des composants cibles. Les composants cibles seront alignés sur l'infrastructure interne et la configuration de l'outillage.

IBM peut implémenter ce cadre commun sur pratiquement n’importe quel cloud, y compris un multicloud hybride. Voici un exemple de la manière dont IBM peut utiliser les outils AWS pour créer un pipeline de machine learning.

AWS CodeCommit remplace un dépôt git classique. C’est l’endroit essentiel où est stocké tout le code utilisé d’un projet.

CodeBuild exécute tous les tests unitaires et d’intégration, et crée une archive à partir des sources python spécifiées, qui peuvent être déployées dans un conteneur plus tard. CodeDeploy exécutera un scénario de déploiement spécifié, qui va par ex. créez le conteneur Docker, transférez-le vers un référentiel d’images Docker et, à la fin, chargez l’image en mode production.

AWS ECR sert de référentiel pour tous les conteneurs Docker, qui sont construits dans le pipeline mentionné ci-dessus. Il sert de référentiel pour les conteneurs, tout comme CodeCommit sert de référentiel pour les fichiers de configuration et le code source. C'est à cet endroit qu'AWS SageMaker recherchera une image docker spécifiée, lorsqu'une tâche de formation est déclenchée avec les paramètres correspondants depuis l'extérieur.

AWS SageMaker sert d’environnement d’exécution pour tous les postes de formation. AWS SageMaker peut être déclenché via une liaison API/Python. L'utilisateur spécifie quel type de modèle doit être exécuté et où se trouvent les données d'entrée et de sortie correspondantes. AWS SageMaker accepte les images docker avec un point d’entrée prédéfini contenant le code d’entraînement. Cependant, il est aussi possible d’y faire exécuter un job défini par TensorFlow/MXNext/ONNX. SageMaker propose une interface utilisateur pour l'administration et peut être adaptée de manière élastique puisqu'il s'agit d'un service géré. L'utilisateur peut donc choisir parmi une grande variété de machines, utilisées pour entraîner un modèle spécifique. AWS SageMaker peut également être utilisé pour effectuer le réglage des hyperparamètres, qui peut également être déclenché via l'API. L’outil sélectionnera automatiquement la combinaison d’hyperparamètres la mieux performante. Les résultats d’une exécution peuvent être écrits directement sur S3 ou même DynamoDB.

AWS S3 sert de système de fichiers de base pour les fichiers d’entrée et de sortie. S3 est généralement utilisé pour stocker des gros fichiers de données d’entraînement et peut également être utilisé pour stocker des modèles sérialisés. AWS S3 s’intègre de façon fluide à SageMaker.

AWS DynamoDB est une base de données NoSQL de type clé-valeur, entièrement gérée par AWS et dont la taille peut être augmentée à la demande. La base de données peut être utilisée pour contenir les KPI d’une exécution de modèle afin de suivre la performance du modèle au fil du temps, par exemple. Il permet également d'intégrer des informations d'exécution et des métadonnées de performance pour l'exécution d'un modèle. AWS DynamoDB peut être intégré de façon fluide à QuickSight, qui est un outil de visualisation des données proposé par AWS.

AWS Elastic Inference est une instance EC2 boostée aux stéroïdes. Les modèles entraînés dans AWS SageMaker peuvent être hébergés sur une instance EI pour la prédiction. La ou les machines sous-jacentes peuvent être redimensionnées à la demande.

La question de l’éthique n’est pas seulement un problème de modélisation, mais aussi un problème métier. 60 % des entreprises considèrent la conformité comme un obstacle à la réussite de l’application de l’IA, en partie en raison d’un manque de confiance et de compréhension du système. IBM a conçu une approche en trois volets pour favoriser la confiance, la transparence & l’équité pour gérer, maintenir et développer l’IA de manière cohérente tout en préservant la confiance et en réduisant les risques liés à la marque et à la réputation. IBM peut aider le client à instaurer la culture nécessaire à l’adoption et à la mise à l’échelle de l’IA en toute sécurité, à développer l’ ingénierie de l’IA à l’aide d’outils d’analyse permettant d’analyser les algorithmes boîte noire, et à mettre en place la gouvernance nécessaire pour s’assurer que l’ingénierie s’inscrit dans la culture. Au centre de l’IA digne de confiance se trouve l’outil de télémétrie et d’analyse qu’IBM tient en haute estime dans la communauté pour sa fondation open source et Linux®.

IBM Services for AI at Scale s’appuie sur les outils open source d’IBM Research, AI Fairness 360 et des fiches d’information. Les développeurs peuvent partager et recevoir des codes et des ensembles de données de pointe liés à la détection et à l’atténuation des biais par l’IA. Ces efforts d’IBM Research nous ont également conduits à intégrer IBM Watson OpenScale, une offre commerciale conçue pour construire des solutions basées sur l’IA pour les entreprises afin de détecter, gérer et atténuer les biais de l’IA.