Le guide complet du développement de l'IA
Le développement de produits d'IA n'est pas une mince affaire. Il faut tout un réseau (et, si nous pouvons nous permettre d'ajouter : un réseau compétent, expérimenté et créatif). Alors, comment relever les nouveaux défis liés à la technologie de la vision par ordinateur ? Voici cinq questions clés qui nous servent de fil conducteur pour tous nos nouveaux projets.
1. Quel produit voulons-nous exactement développer ? Et avons-nous vraiment besoin de l'IA ?
La première question, et la plus fondamentale, que nous nous posons est de savoir quelle solution nous souhaitons développer et si les utilisateurs en ont réellement besoin. Une fois que nous avons une réponse claire à cette question, nous déterminons si nous devons recourir à l’IA et, le cas échéant, de quelle manière.
En général, l'IA est la bonne solution dans ces conditions :
- Le problème que nous avons entrepris de résoudre est très difficile, voire impossible, à aborder avec une approche de développement classique ou traditionnelle.
- Nous devrions pouvoir modéliser le problème à l'aide d'une méthode ou d'une approche particulière en matière d'IA.
- Nous disposons d'un ensemble de données suffisamment fiable pour mener nos recherches.
Cette étape fait partie intégrante de notre gestion de produit et implique l'ensemble des collaborateurs de notre organisation.
2. Comment modéliser le problème de l'IA ?
Une fois que nous avons identifié la partie du produit pour laquelle nous allons utiliser l'IA, l'étape suivante consiste à déterminer comment la modéliser. C'est parfois une tâche assez simple, mais dans d'autres cas, il n'est pas évident de savoir quelle approche donnerait les meilleurs résultats. Par exemple, à ce stade du processus de développement, nous devons évaluer si un problème de vision par ordinateur serait mieux résolu à l’aide d’un modèle de segmentation sémantique ou d’un modèle de détection d’objets. Notre équipe de recherche joue un rôle essentiel pour répondre à cette question.
3. Comment trouver un bon ensemble de données ?
Une fois que nous avons une idée de la manière de résoudre un problème donné grâce à l'IA, nous devons trouver un ensemble de données suffisamment pertinent sur lequel nous pouvons travailler. Très souvent, c'est là que tout se joue, car si nous ne parvenons pas à trouver un ensemble de données suffisamment pertinent pour permettre à l'équipe de recherche de mener ses expériences, nous ne pouvons pas proposer la meilleure solution au problème que nous avions initialement entrepris de résoudre.
Il existe plusieurs façons d'accéder aux données. Dans ce contexte, il est très important de bien comprendre les différences en termes de contenu et de qualité des ensembles de données.
Notre équipe commerciale travaille en étroite collaboration avec nos partenaires et nos clients. Ceux-ci nous aident à améliorer notre technologie, et nous développons de nouvelles fonctionnalités destinées à être intégrées dans leurs solutions pour répondre à des problèmes très spécifiques.
Parfois, l'autre approche consiste à commencer par développer nos propres ensembles de données en interne, ce qui relève de la responsabilité de notre équipe chargée des données.
4. Comment préparons-nous les données pour le processus d'apprentissage ?
Les données brutes collectées ne suffisent pas pour entraîner des modèles d'IA. C'est pourquoi nous avons mis en place des processus spécifiques d'annotation des données.
À cette fin précise, notre équipe Web a développé un système que nous appelons en interne « MLS » (Machine Learning System). Le MLS est utilisé par notre équipe chargée des données, qui est responsable de l'annotation des données. Le MLS est un élément essentiel de notre développement de produits. Il nous permet d'exercer un contrôle maximal sur la qualité des données annotées, ainsi que d'améliorer et d'accélérer en permanence le processus d'annotation.
Le processus est exigeant et de longue haleine, mais nous sommes fiers de pouvoir affirmer qu’en moins de trois ans, notre équipe chargée des données a annoté des dizaines de millions d’images à des fins de formation diverses. Cette équipe travaille en étroite collaboration avec l’équipe de recherche afin de garantir que les ingénieurs en apprentissage automatique développent des modèles qui répondent réellement au problème initialement défini.
5. Comment intégrer le modèle au produit final ?
Le modèle d'apprentissage automatique développé ne constitue qu'une pièce du puzzle. Pour que le produit final soit utile, il faut disposer de solides connaissances techniques et en expérience utilisateur (UX) afin d'assembler tous ses éléments.
Notre équipe « Outils et infrastructure » est chargée de développer des composants spécialisés destinés à la mise en œuvre et à l'exécution de réseaux neuronaux. Ces composants permettent une intégration bien plus simple et rapide sur les appareils mobiles que n'importe quelle alternative open source.
L'intégration finale du modèle est assurée par nos équipes de développement produit, mobile et web. Elles veillent à ce que le produit final réponde réellement aux besoins des utilisateurs, à ce que le logiciel soit rapide et fiable, et à ce que l'expérience utilisateur soit adaptée à chaque plateforme (iOS, Android ou web).
Pourquoi procédons-nous ainsi ?
Ce processus exige des connaissances et de la créativité dans les domaines du génie logiciel, de l'apprentissage automatique et de l'expérience utilisateur (UX), ainsi qu'une bonne dose de persévérance. Mais bon, on n'a rien sans rien.
Cette approche nous permet de toujours garder une vue d'ensemble et, au final, d'offrir la meilleure valeur ajoutée possible pour notre produit. C'est ainsi que, selon nous, tous les produits d'IA devraient être conçus : en visant une qualité irréprochable.
Voici la deuxième partie de notre petite série consacrée au développement de produits d'IA pour les entreprises. Lire la première partie : À quoi ressemble vraiment le développement de l'IA ?
