Mise en production des modèles: ML+DevOps

On a longtemps cru que ces deux disciplines n’étaient que des modes passagères. L’intelligence artificielle (IA)Ensemble de concepts et technologies permettant de créer des machines simulant l’intelligence humaine., et plus particulièrement l’apprentissage machine (ML), est massivement utilisé dans quasiment toutes les applications évoluées. Les DevOps, méthodes de gestion de projet issues du monde du développement informatique, on été adoptées par de nombreuses entreprises adeptes des méthodes agiles. Si l’apprentissage machine est une discipline qui arrive à maturité, sa mise en œuvre reste compliquée pour bon nombre d’organisations. C’est là qu’interviennent les MLOps, contraction des deux termes. Elles visent à rationaliser le déploiement des modèles et à automatiser leur maintien dans des conditions d’utilisation optimales.

Un type de projet bien spécifique

Le déploiement d’une applicationSe dit souvent application mobile. Se télécharge à titre gratuit ou payant depuis le système d’exploitation d’un smartphone ou d’une tablette. d‘apprentissage machine, bien que que ce soit un exercice très spécifique, est soumis aux mêmes règles que celles qui régissent les projets plus classiques. Il ne s’agit pas uniquement de créer un modèle clé en main sur lequel on va effectuer des requêtes lorsque le besoin s’en fait sentir. Bien au contraire, comme tout projet qui doit rester actif et procurer des résultats tangibles pour l’entreprise, sa qualité dépend de son cycle de vie.

Le cycle de vie traditionnel n’est plus adapté

Jusqu’à présent, le développement d’un modèle d’apprentissage machine été soumis un cycle de vie basé sur 6 étapes principales. Décrivez les besoins de l’entreprise en terme de logiciel, on effectuait l’acquisition des données puis on les nettoyait et on les préparait. L’ensemble de données propre est ensuite explorés pour y découvrir les caractéristiques les plus intéressantes. Éventuellement, ce processus a été renouvelé sous forme d’itération plus ou moins nombreuses afin d’obtenir les meilleurs résultats. Désormais, ce cycle de vie paraît incomplet et mal adapté au nouveau besoin des entreprises.

Un projet réussi fait appel aux deux disciplines

Les échecs du déploiement des modèles d’apprentissage machine sont liés à 5 causes principales. Les Data Scientists ne sont pas souvent versés dans les sciences de l’Ingénieur. Ils ne sont pas familiers des pratiques DevOps. Les Data Engineers comme les Data Scientists, mais aussi les Ingénieurs tout court, ont tendance à créé des silos de compétences. Cela peut-être à l’origine de frictions entre ces différents spécialistes.

L’offre de solutions et de cadres de développement pour l’apprentissage machine est pléthorique. Le manque de standardisation ne joue pas en la faveur de déploiements sereins. Il n’existe pas encore de solution unique et globale qui satisfait aussi bien les Ingénieurs que les Data Scientists. Toutes celles qui sont disponibles exposent des limitations comme des langages différents, des fournisseurs concurrents ou bien encore des frameworks incompatible. En général, si les projets ML échouent c’est parce que ceux qui sont chargés de les livrer sont handicapés par des méthodes de mise en production immatures.

Et voilà les MLOps

Bien qu’encore à l’aube de leur adoption, les MLOps sont une solution intéressante pour automatiser le déploiement des modèles d’apprentissage machine. Ils ont été inventés en réaction aux difficultés que rencontrent les entreprises lors de la mise en production des modèles. Ils garantissent également l’efficacité du cycle de vie dans sa totalité, du développement à la documentation. Même si les MLOps n’en sont encore qu’à leur balbutiements, des applications comme Kubeflow posent les jalons de leur rationalisation.

Les MLOps réduisent les durées de déploiement et les difficultés que l’on rencontre lorsque l’on doit mettre des modèles en production. Ils réduisent la friction entre les équipes et favorisent la collaboration. Il permettent de mieux suivre les modèles en ayant recours à la gestion de version, au monitoring et à la supervision. Ils sont à l’origine d’un vrai cycle de vie prévu pour l’itération et le ré-entraînement des modèles d’apprentissage machine. Ils vont en standardiser les processus afin de pouvoir se conformer très prochainement à l’augmentation des exigences en termes de réglementation et d’éthique de l’IA.