gestion du cycle de vie des modèles IA : présentation

Dans les entreprises, le rôle critique de l'IA nécessite une méthodologie et une plateforme bien définies et robustes, et une entreprise peut même échouer si sa méthodologie et sa plateforme ne sont pas à la hauteur. Par exemple, si la détection des fraudes entraîne de mauvaises décisions, une entreprise sera affectée négativement. Dans le long pipeline de l’IA, le temps de réponse, la qualité, l’équité, l’explicabilité et d’autres éléments doivent être gérés dans le cadre de l’ensemble du cycle de vie. Il est impossible de les gérer individuellement.

Par conséquent, ce que nous appelons la « gestion du cycle de vie des modèles d’IA » gère le pipeline complexe de l’IA et contribue à garantir les Résultats nécessaires dans l’entreprise. Nous détaillerons la gestion du cycle de vie des modèles d’IA dans une série d’articles de blog. De plus, nous montrerons comment IBM Cloud Pak for Data peut aider à gérer le cycle de vie des modèles d’IA.

Nous nous attendons à ce que ces entrées de blog présentent un intérêt pour les personnes suivantes :

• Responsables de la science des données et de l'IA : pour mieux comprendre comment augmenter le retour sur investissement de la science des données et de l'IA.
  
  
• Data scientists : pour mieux apprécier comment les activités de science des données peuvent tirer parti de/ intégrer avec les outils/processus DevOps, et pour mieux comprendre la Stratégie d’IBM pour une gestion du cycle de vie des modèles IA de bout en bout.
  
  
• Ingénieurs DevOps : pour mieux comprendre le processus de développement de l'IA, ses complexités associées et la manière dont il peut s'intégrer à DevOps.

Réfléchissons ensemble à ce qui est nécessaire pour la gestion du cycle de vie des modèles IA. La première exigence est un ensemble de composants pour l’ensemble du pipeline. Le document « The AI Ladder – Demystifying AI Challenges  » explique comment introduire l’IA dans l’entreprise et décrit clairement quatre étapes dans le pipeline :

• Collecter :rendre les données simples et accessibles.
  
  
• Organiser : créer une base analytique prête à l'emploi.
  
  
• Analyser : créer et déployer l’IA en toute confiance et transparence.
  
  
• Intégrer : opérationnaliser l'IA dans l'ensemble de l'entreprise.

Une autre exigence est la gouvernance des données de l’ensemble du pipeline. La qualité est essentielle dans l'entreprise, et l'explicabilité et l'équité deviennent de plus en plus essentielles. Durant tout le processus de pipelining, la gouvernance des données pour la gestion du cycle de vie des modèles d’IA doit surveiller et fournir des commentaires concernant la qualité, l’équité et l’explicabilité.

Comme nous l’avons vu, la gestion du cycle de vie des modèles d’IA n’est pas facile. C’est impossible à faire manuellement. Par conséquent, les outils nécessaires doivent présenter les fonctionnalités suivantes pour prendre efficacement en charge la gestion du cycle de vie des modèles IA dans le cloud :

• Facilité d’entraînement et de déploiement des modèles
  
  
• Déploiement de modèles et entraînement à grande échelle
  
  
• Surveillance de la gouvernance des données, de la qualité et de la conformité
  
  
• Visualisation de l’ensemble du pipeline
  
  
• Des connecteurs riches aux sources de données

IBM Cloud Pak for Data est un exemple de ces outils.  IBM Cloud Pak for Data est une plateforme de données et d’IA multicloud dotée d’outils de bout en bout pour la gestion du cycle de vie des modèles d’IA, ModelOps, de niveau entreprise. Elle aide les entreprises à améliorer leur débit global des activités de science des données et à accélérer la création de valeur de leurs initiatives en matière d’IA. Cloud Pak for Data inclut les fonctionnalités clés suivantes :

• Outils de développement de modèles et de formation, y compris AutoAI et no-code, des capacités de glisser-déposer, et la prise en charge d'un large éventail de bibliothèques open source et de cadres des exigences couramment utilisés.
  
  
• Outils de déploiement de modèles pour dimensionner les modèles déployés en production pour les applications modernes et répondre aux exigences de performance.
  
  
• Outils de surveillance et de gestion des modèles pour fournir une IA fiable.
  
  
• Les capacités de virtualisation des données permettent d'augmenter considérablement le débit d'IA des équipes de science des données en aidant les data scientists à accéder efficacement au large éventail de sources de données d'une entreprise dans un environnement multicloud hybride, sans avoir à copier les données.
  
  
• Le DataOps pour répondre aux exigences de gouvernance des données, de qualité et de conformité.
  
  
• Des services de données complets, avec un ensemble riche de connecteurs de données et de fonctionnalités évolutives d'intégration de données multicloud pour permettre des opérations d'extraction, de transformation et de chargement (ETL) efficaces à partir d'une variété de sources de données.

Gouvernez les modèles d’IA générative construits à partir de n’importe quel endroit et déployés sur le cloud ou sur site.