Nous connaissons tous le cycle de vie du développement logiciel, dans lequel les équipes de développement et d'exploitation collaborent pour créer des logiciels et des applications. Elles développent et testent ces applications à l'aide de pipelines d'intégration continue et de livraison continue, en veillant à ce que le logiciel dispose des fonctionnalités et des mises à jour les plus récentes pour résoudre tout problème d'utilisateur ou d'entreprise.
Qu'est-ce que l'apprentissage automatique ?
Le processus d'apprentissage à partir de données pour obtenir des informations utiles est appelé apprentissage automatique. Il s'agit d'un terme technique qui désigne les outils et les techniques permettant de créer des algorithmes d'intelligence artificielle.
Avec la transformation numérique de ces 50 dernières années, les données se sont répandues dans le monde entier, ce qui fait que les professionnels de tous les secteurs développent un vif intérêt pour l'apprentissage à partir de cette mer de données afin de trouver des idées et des prédictions ou d'éviter de répéter des erreurs.
Auparavant, les développeurs écrivaient des algorithmes en utilisant un langage de programmation qui définissait les tâches à effectuer. Aujourd'hui, le paradigme a changé dans le sens où l'algorithme n'est qu'un canevas qui définit comment la machine est censée apprendre à partir de certaines données d'entrée, pour une tâche donnée.
Qu'est-ce que MLOps ? Et pourquoi c'est important
Nous connaissons tous le DevOps, un processus de développement qui s'est popularisé au début des années 2000 sur la base des méthodologies de développement de projets agiles, et qui a bien fonctionné jusqu'à présent.
À ce stade, toutes les organisations ont commencé à vouloir ajouter des capacités d'apprentissage automatique à leurs produits. Comme le cycle de vie de l'apprentissage automatique est similaire à celui du développement de logiciels, un nouveau domaine appelé MLOps a été développé, comprenant des étapes dédiées aux systèmes d'apprentissage automatique.
MLOps désigne un ensemble d'étapes et de processus que les scientifiques des données, l'informatique et les équipes de production utilisent pour fournir des produits d'apprentissage automatique efficaces.
Les MLOps comportent les étapes suivantes :
- Définir les objectifs de l'entreprise
- Recherche de données pertinentes
- Préparation et traitement des données (Data Engineering)
- Développement et formation du modèle d'apprentissage automatique
- Construction et automatisation d'un pipeline d'apprentissage automatique
- Déploiement du modèle via un déploiement statique ou dynamique
Dans MLOps, les équipes de développement/production utilisent la méthode CI/CD/CT pour fournir des systèmes d'apprentissage automatique performants.
- L'intégration continue (IC) ne consiste pas seulement à tester et à valider les codes et les composants, mais aussi à tester et à valider les données, les schémas de données et les modèles.
- La livraison continue (CD ) ne concerne pas seulement la livraison d'un logiciel ou d'une application web, mais aussi d'un système d'apprentissage automatique (pipeline de formation ML).
- L'entraînement continu (EC) est une étape exclusive aux systèmes d'apprentissage automatique où les modèles déployés sont réentraînés avec des données changeantes pour éviter qu'ils ne se dégradent.
Récemment, nous avons remarqué un intérêt croissant pour les MLOps, car toutes les organisations cherchent à déployer des systèmes ML plus rapidement, à grande échelle et de manière fiable. En mars 2021, un rapport de recherche sur ce que les scientifiques des données cherchent à accomplir avec les MLOps, indiquait que selon 40% des personnes interrogées, la majorité du travail tourne autour de la résolution de problèmes dans les catégories de la vision par ordinateur, de l'analyse prédictive et des données de séries temporelles. De nombreux scientifiques des données estiment que les problèmes les plus importants sont liés à la gestion des données, lorsque celles-ci sont désordonnées, inaccessibles ou tout simplement non identifiables.
Comment les MLO peuvent-ils aider à atteindre les objectifs de la vision par ordinateur ?
La vision par ordinateur est un domaine de l'intelligence artificielle dans lequel les algorithmes d'apprentissage sont appliqués à des types d'entrée semblables à des images, comme les vidéos, les photos et les images hyper-spectrales. Elle diffère réellement des autres types de données, comme les données tabulaires ou le texte, en raison de la taille des fichiers (dans les ensembles de données), où les téraoctets sont un ordre de grandeur courant.
En bref, la vision par ordinateur permet aux machines de voir, d'observer et de donner un sens aux images qui leur sont présentées, tout comme le font les humains.
Les modèles de vision par ordinateur aident les applications à comprendre les signaux visuels et à leur donner un sens. Lorsqu'ils reçoivent suffisamment de données, les algorithmes s'entraînent à différencier une image d'une autre ou, par exemple, à détecter et à segmenter des objets.
De l'explication ci-dessus, il est clair que la vision par ordinateur implique :
- Gestion des données
- La création de modèles algorithmiques
- Déploiement
- Analyse et révision des erreurs
- Autres caractéristiques de MLOps mentionnées ci-dessus
Il est donc évident que les MLOps sont essentiels pour tirer profit des algorithmes de vision par ordinateur.
Aujourd'hui, le prototypage de modèles de vision par ordinateur est une tâche simple, mais la construction d'un système intégré de ML qui s'améliore en permanence est extrêmement difficile. Cela est dû au fait que le code ML ne représente qu'une petite partie de l'ensemble du système.
Pour exécuter un projet, il existe de nombreux systèmes complexes qui fonctionnent autour du code, comme le montre l'image ci-dessous.
Le document de recherche susmentionné montre les types de données avec lesquelles les chercheurs, les ingénieurs et les développeurs d'applications travaillent. D'après la figure suivante, nous pouvons déduire que les données d'image et de vidéo représentent une part importante des données utilisées. La progression naturelle serait donc de développer une fusion de la vision par ordinateur et de MLOps pour créer CVOps. Ce nouveau concept permet de créer un ensemble d'étapes et de processus dédiés exclusivement aux projets de vision par ordinateur (car ils ont leurs propres défis).
Présentation de CVOps : la fusion de CV et MLOps
CVOps n'est rien d'autre que l'utilisation des étapes et des processus de MLOps exclusifs à la vision par ordinateur pour réaliser le développement et le déploiement de projets de vision par ordinateur.
Examinons les étapes des opérations CVO.
1 - La gestion des données et des caractéristiques qui implique la collecte des données, la création, la gestion, la vérification, le traitement et la gestion des caractéristiques des données.
2 - Développement du modèle, où les modèles ML sont entraînés, les métadonnées sont gérées, ainsi que le réglage des hyperparamètres et la maintenance du registre des modèles.
3 - L'opérationnalisation implique :
- Déploiement du modèle ML sur un serveur approprié
- Mise en œuvre de CI/CD/CT dans votre pipeline ML
- Suivi continu de votre modèle de CV en production
Pour réaliser les différentes étapes et même automatiser le pipeline (c'est le but après tout), nous utilisons généralement des plateformes ML, qui peuvent être de bout en bout, associées à des parties AutoML personnalisées.
Grâce à MLOps, les projets de vision par ordinateur peuvent atteindre le stade du déploiement en suivant un pipeline CI/CD/CT. L'utilisation de MLOps pour la vision par ordinateur crée un pipeline ML automatisé qui rend les améliorations du modèle plus rapides et plus fiables. En conséquence, CVOps aide les organisations à mettre rapidement en production des systèmes de vision par ordinateur fiables.
Chez Picsellia, nous avons développé une plateforme CVOps de bout en bout - c'une boîte à outils complète qui simplifie l'expérience de la science des données. Nos derniers outils vous permettent de tout couvrir, de la gestion des données ML, du suivi des expériences et de la construction de modèles, au déploiement de modèles, à la surveillance et aux pipelines pour automatiser votre flux de CV.
Si vous souhaitez essayer gratuitement notre plateforme CVOps, prenez rendez-vous avec notre équipe de vente afin que nous puissions vous organiser.
