Comment construire le prototype d’un projet IA?

Cet article est publié en collaboration avec le CDRIN (Centre de recherche et de développement en intelligence numérique).

Troisième article de notre série intitulée “Cycle de vie d’un projet d’IA”. Dans cet épisode, nous vous expliquons comment s’élabore un prototype.

Il s’agit de la troisième étape selon le modèle adopté par le CDRIN, après celle de la veille technique (VT) et celle de la preuve de concept (PDC).

Pour rappel, la VT aide les entreprises à comprendre les risques et les opportunités qui accompagnent une solution technologique d’IA. Sur la base des informations fournies par le processus VT, un PDC démontre la faisabilité d’un algorithme d’IA sur un petit sous-ensemble de données. Un PDC réussie convainc les décideurs de sa valeur ajoutée et donne une confiance suffisante pour passer à l’étape suivante : la construction d’un prototype (PR).

COMMENT PASSER DU PDC AU PR ?

Les termes PDC et PR sont souvent utilisés de manière interchangeable malgré des différences évidentes (figure 1). L’objectif principal d’un PDC est de vérifier qu’une idée peut être développée à l’aide de l’IA. Le PR est un exercice visant à visualiser comment l’idée sera développée. En d’autres termes, le PDC rend compte de la viabilité d’une idée tandis que le PR s’occupe de l’utilité. Au stade des PR, le projet doit passer de la promesse à une tangente de sa valeur perçue.

LES DIFFÉRENTS ASPECTS DU PROTOTYPAGE

Cette étape augmente la complexité d’un modèle d’IA puisque nous ne cherchons plus à prouver la faisabilité de la solution mais aussi ses performances en conditions réelles et son intégration dans l’infrastructure existante. Voici quelques-uns des points clés que les chercheurs et les développeurs doivent garder à l’esprit lors de la construction d’un prototype:

Gestion des ressources

La majorité des projets requièrent des compétences différentes au fur et à mesure que l’on passe du PDC aux PR. Alors qu’un chercheur en IA est suffisant pour un PDC, l’équipe de recherche doit être complétée par un développeur et un ingénieur de données pour les PR. Le CDRIN dispose d’une équipe interdisciplinaire de chercheurs et de développeurs qui travaillent en tandem avec les clients pour mettre à l’échelle et intégrer de manière significative les algorithmes d’IA.

Des données réalistes

Le PDC, de par son intention et son objectif, sape les incertitudes présentes dans les scénarios du monde réel qui peuvent augmenter les risques associés aux résultats des modèles. Par conséquent, pour atteindre les performances souhaitées:

• plus de données sont nécessaires
• les données manquantes et la représentation non-uniforme de certains segments de données doivent être prises en compte
• Les défis de mégadonnées

Par exemple, pour la gestion des populations d’oiseaux d’une région, un ornithologue a l’intention d’identifier les oiseaux capturés dans différentes images. Pendant le PDC, l’algorithme a montré sa capacité à reconnaître certaines espèces trouvées dans la région en utilisant des images capturées sous une certaine lumière, distance et angle de caméra. Pour construire un modèle robuste, nous devons l’exposer à des images représentant la distribution entière de la population d’oiseaux photographiée sous différentes variations d’éclairage, d’angle et de distance.

Pipeline de modèles

Le pipeline de développement de modèles rationalise plusieurs processus tels que l’entrée et le traitement des données, la formation et la prédiction des modèles et la surveillance des performances. À ce stade, le modèle de PDC peut devoir être abandonné au profit d’un modèle plus approprié. L’accent devrait être mis sur la maximisation de la valeur ajoutée. En outre, une stratégie de mise à jour du modèle avec des données plus récentes doit être décidée.