AWS nomme 6 tendances clés favorisant l’innovation et l’adoption de l’apprentissage automatique

L’apprentissage automatique (ML) a subi une transformation et une adoption rapides ces dernières années, en raison d’un certain nombre de facteurs.

Les opinions ne manquent pas sur les raisons pour lesquelles l’intelligence artificielle (IA) et le ML se développent. Un rapport récent de McKinsey a identifié l’industrialisation du ML et de l’IA appliquée comme l’une de ses principales tendances pour l’année. Lors d’une session à la conférence AWS re:Invent cette semaine, Bratin Saha, vice-président et directeur général de l’IA et de l’apprentissage automatique chez Amazon, a décrit les six tendances clés que le géant du cloud constate et qui contribuent à stimuler l’innovation et l’adoption en 2022 et au-delà.

AWS prétend avoir plus de 100 000 clients pour ses services AI/ML. Ces services sont répartis sur trois niveaux : services d’infrastructure ML, permettant aux organisations de créer leurs propres modèles ; SageMaker, qui fournit des outils pour créer des applications ; et des services spécialement conçus pour des cas d’utilisation spécifiques, tels que la transcription.

L’apprentissage automatique est passé d’une activité de niche à une partie intégrante de la façon dont les entreprises font leurs affaires, a déclaré Saha lors de la session.

Tendance 1 : la sophistication des modèles augmente

Saha a déclaré que ces dernières années, il y a eu une augmentation exponentielle de la sophistication des modèles ML. Son utilisation du terme exponentiel n’est pas non plus une hyperbole.

Une façon de mesurer la sophistication des modèles d’apprentissage automatique consiste à compter le nombre de paramètres qu’ils contiennent. Saha a expliqué que les paramètres peuvent être considérés comme des variables de valeurs intégrées dans les modèles ML. En 2019, a déclaré Saha, les modèles ML à la pointe de la technologie comptaient environ 300 millions de paramètres. Avance rapide jusqu’en 2022 et les meilleurs modèles ont maintenant plus de 500 milliards.

En d’autres termes, en seulement trois ans, la sophistication des modèles d’apprentissage automatique a été multipliée par 1 600, a déclaré Saha.

Ces modèles massifs sont ce que l’on appelle aujourd’hui communément des modèles de fondation. Avec l’approche du modèle de base, un modèle ML peut être formé une fois, avec un ensemble de données massif, puis réutilisé et ajusté pour une variété de tâches différentes. Ainsi, les entreprises peuvent bénéficier de la sophistication accrue, avec une approche plus facile à adopter.

[Foundation models] réduire le coût et les efforts de l’apprentissage automatique d’un ordre de grandeur, a déclaré Saha.

Tendance 2 : Croissance des données

Des volumes croissants de données et différents types de données sont utilisés pour former des modèles ML. C’est la deuxième tendance clé identifiée par Saha.

Les organisations construisent désormais des modèles qui ont été formés sur des sources de données structurées telles que le texte, ainsi que sur des types de données non structurées, notamment l’audio et la vidéo. La possibilité d’intégrer différents types de données dans les modèles ML a conduit au développement de plusieurs services chez AWS pour aider à la formation des modèles.

L’un de ces outils que Saha a mis en évidence est SageMaker Data Wrangler, qui aide les utilisateurs à traiter des données non structurées en utilisant une approche qui le rend pratique pour la formation ML. AWS a également ajouté une nouvelle prise en charge des données géospatiales dans SageMaker cette semaine lors de la conférence re:Invent.

Tendance 3 : industrialisation de l’apprentissage automatique

AWS constate également une tendance à l’industrialisation croissante du ML. Cela signifie une plus grande standardisation des outils et de l’infrastructure ML, permettant aux organisations de créer plus facilement des applications.

Saha a déclaré que l’industrialisation du ML est importante car elle aide les organisations à automatiser le développement et à le rendre plus fiable. Une approche industrielle commune est essentielle à la mise à l’échelle à mesure que les organisations créent et déploient davantage de modèles.

Même au sein d’Amazon, nous utilisons SageMaker pour l’industrialisation et le développement de l’apprentissage automatique, a déclaré Saha. Par exemple, les modèles vocaux Alexa les plus complexes sont désormais formés sur SageMaker.

Tendance 4 : applications basées sur le ML pour des cas d’utilisation spécifiques

Le ML se développe également en raison d’applications spécialement conçues pour des cas d’utilisation spécifiques.

Saha a déclaré que les clients d’AWS ont demandé au fournisseur d’automatiser les cas d’utilisation courants de ML. Par exemple, AWS (et d’autres fournisseurs) proposent désormais des services tels que la transcription vocale, la traduction, la synthèse vocale et la détection d’anomalies. Ceux-ci offrent aux organisations un moyen plus simple d’utiliser les services alimentés par ML.

L’analyse des sentiments dans les appels audio en direct, par exemple, est un nouveau cas d’utilisation complexe qu’AWS prend désormais en charge avec les capacités d’analyse des appels en temps réel de son service Amazon Transcribe. Saha a déclaré que la fonctionnalité utilise des modèles de reconnaissance vocale pour comprendre le sentiment des clients.

Tendance 5 : IA responsable

Il existe également une tendance et un besoin croissants pour une IA responsable.

Avec cette croissance de l’IA et du ML vient la prise de conscience que nous devons l’utiliser de manière responsable, a déclaré Saha.

Du point de vue d’AWS, une IA responsable doit avoir plusieurs attributs clés. Un système doit être équitable, fonctionnant de la même manière pour tous les utilisateurs, indépendamment de leur race, de leur religion, de leur sexe et d’autres attributs de l’utilisateur. Les systèmes de ML doivent également être explicables, afin que les organisations comprennent comment un modèle fonctionne. Des mécanismes de gouvernance sont également nécessaires pour s’assurer que l’IA responsable est pratiquée.

Tendance 6 : démocratisation du ML

La dernière tendance clé qui fera avancer le ML est la démocratisation de la technologie, en rendant les outils et les compétences accessibles à un plus grand nombre de personnes.

Les clients nous disent qu’ils ont souvent du mal à embaucher tous les talents en science des données dont ils ont besoin, a déclaré Saha.

Les réponses au défi de la démocratisation, selon Sahas, résident dans la poursuite du développement d’outils low-code et basés sur des cas, et dans l’éducation.

AWS investit également dans la formation du prochain groupe de développeurs d’apprentissage automatique, a déclaré Saha. Amazon s’est engagé à aider plus de 29 millions de personnes à améliorer leurs compétences technologiques d’ici 2025 grâce à une formation gratuite aux compétences en cloud computing.