En ce moment, nous sommes submergés par les articles, vidéos et autres supports sur les sujets IA et le ML…
OK ! Mais quèsaco ?
Déjà pour faire simple IA désigne Intelligence Artificielle ou Artificial Intelligence (AI) pour les bilangues.
Et ML signifie Machine Learning et donc Apprentissage Machine en français (je sais, c’est moins stylé).
Ok… On n’est pas plus avancé 😐
Vous êtes sûrement en train de vous dire, encore un nouvel article à base de poudre de perlimpinpin !
Et non 😊
Cet article est plus là pour vous montrer la vision d’un apprenti (moi) sur ce domaine. Qui était encore totalement incompréhensible pour moi il n’y a pas si longtemps (on va dire 2/3 semaines). Ce ne fera pas de vous des experts, car je ne le suis pas devenu en 2-3 semaines.
Mais ça vous permettra de découvrir le Machine Learning au travers de mon retour d’expérience à la suite d’un workshop fourni par AWS (pour les moins patients, le lien est en bas).
Qu’est-ce que le Machine Learning ?
Le Machine Learning veut dire en français « Apprentissage Machine », on peut définir le Machine Learning comme un outil qui permet aux machines (ou ordinateurs) d’apprendre sans avoir de code ou de programmation prévu initialement.
Nous ne sommes plus dans le contexte où l’on a plusieurs valeurs en entrées pour avoir un résultat selon une programmation (ou réflexion) fourni par les développeurs. Comme présenté dans le schéma ci-dessous.
Avec le Machine Learning, nous sommes dans le cas où nous fournirions les valeurs et la réponse voulue.
Et c’est là, que l’IA du Machine Learning va trouver la règle la plus optimale selon votre contexte.
À force de donner différentes données, nous pourrons alors entraîner notre modèle de Machine Learning à traiter ses différentes données en entrée.
Mais rien de mieux que la pratique pour comprendre réellement par quelle technique tout ça s’applique.
Qu’est-ce qu’Amazon Sagemaker ?
SageMaker est une solution managée par AWS (Amazon Web Services) qui permet de simplifier le processus de création, de formation et déploiement de modèles de Machine Learning.
Il fournit une interface de développement graphique et simplifié pour la création de ces modèles et fourni en plus de cela des NoteBook qui permet de ne pas démarrer from scratch (de zéro).
Pour les plus aguerris, le service prend également en charge un large éventail de framework de Machine Learning tel que TensorFlow, PyTorch et d’autres encore. Pour démarrer le plus rapidement possible, il nous donne la possibilité de choisir la source de données souhaitées, telles que S3, Athena, RedShift et sûrement d’autres.
Comment j’ai utilisé SageMaker ?
Pour utiliser et comprendre comment fonctionne SageMaker, j’ai eu la chance de suivre le lab « Intelligent Document Processing with AWS AI Services ».
Oui, je dis la chance ! Car ce type de lab a un coût quand il est fait en dehors d’un événement dirigé par AWS (c’est l’info bonus).
De manière générale, voici les différentes actions liées au processus de développement, de formation et déploiement de modèles d’apprentissage automatique avec SageMaker :
- Tout d’abord, il faut préparer les données que vous allez utiliser pour créer et entraîner votre modèle. Vous pouvez utiliser des données de votre entreprise ou des données publiques. À vous de choisir des données anonymisées ou non. Ne vous inquiétez pas pour le lab vous avez des fichiers de données fournis.
- Il faudra créer un NoteBook SageMaker. Il vous servira pour écrire et exécuter du code. On peut aussi trouver des NoteBook fournis par AWS dans l’IDE SageMaker. Vous verrez, tout est bien expliqué et vous serez bien guidé. Vous pouvez ensuite développer votre modèle ou vous servir de ceux fournis. Pour ma part, j’ai fait au plus simple et donc utilisé le code fourni.
- On passe à la partie plus sympa, l’entraînement du modèle. Je dis sympa, car c’est à cette étape que vous allez commencer à comprendre le fonctionnement de toute cette machinerie. L’entraînement se fera avec les données que vous aurez préparées. Et vous allez utiliser l’environnement fourni par SageMaker pour le faire.
- Vu que les résultats que vous aurez ne seront pas ceux attendus (c’est prévu pas de soucis à se faire). Vous allez devoir faire évoluer votre modèle pour qu’il réponde correctement à votre besoin initial.
- Une fois que les étapes du dessus sont réalisées et que le résultat est celui que vous vouliez. Vous pouvez déployer votre modèle sur une instance. Il y a plusieurs types d’instance en fonction du besoin en calcul et performance. Le plus c’est que SageMaker fournit également des fonctionnalités de surveillance et de journalisation vous aider à suivre la performance du modèle dans un contexte production.
- Pour ceux qui veulent, allez plus loin. Vous pouvez mettre à jour, maintenir ou encore ajuster le paramétrage de votre modèle grâce à SageMaker.
Conclusion
En conclusion, si tout comme moi, vous n’avez pas beaucoup de connaissance autour de ces technologies (Machine Learning et SageMaker), j’espère que cet article vous a permis d’y voir plus clair et d’avoir une idée du potentiel qu’il y a derrière. Je vous invite fortement à suivre le lab « Intelligent Document Proccessing with AWS AI Services », qui m’a vraiment permis de comprendre le fonctionnement et comment est-ce que s’imbrique.
Je sais que pour beaucoup de personnes l’initiation à ce type de sujet peut en affoler plus d’un. Mais peu importe votre niveau ou le poste que vous occupez, la formation sur ces sujets est toujours un plus.
Si vous voulez aller plus loin voici quelques liens qui peuvent vous aider :
De mon côté, je pense qu’il y a plusieurs sujets sur lesquels le Machine Learning avec ou non SageMaker peut aider les entreprises aujourd’hui.
Comme l’analyse des données de facturation, pour analyser les tendances au niveau des dépenses ou les problèmes récurrents. Les prédictions sur l’évolution d’un chiffre d’affaires ou encore aider à la planification de budget. Ou encore l’identification des risques de fraude.
Après à vous de voir où ces outils peuvent vous aider.
N’hésitez plus et embarquez grâce au Machine Learning dans ce voyage vers l’intelligence artificielle !
Fayssal Mohamed-Harzallah, Solution Architect AWS
