Machine Learning Developers Summit India (MLDS) réunit chaque année des experts de premier plan dans le domaine de l'apprentissage automatique. Le premier jour de la quatrième édition de ce sommet, qui se déroulera une fois de plus sous forme numérique, sera marqué par un exposé technique fort intéressant sur lequel nous allons nous attarder un instant : "Move over ML, It's Time for XL", par Soumendra Mohanty. Ce dernier occupe le poste de Chief Strategy Officer & Chief Innovation Officer chez Tredence. Et il est également l'auteur d'un ouvrage intitulé "Building an AI Powered Enterprise", dans lequel il souligne que nous devrions investir davantage d'énergie et de ressources dans l'Experience Learning (XL) au lieu de nous concentrer uniquement sur les algorithmes de Machine Learning (ML). Mais pourquoi, chez Industrialfairs, pensons-nous que cette question est si importante ? Eh bien, tout simplement parce qu'il s'agit d'un message clair aux fournisseurs de technologies d'IA pour les applications industrielles et d'un coup de semonce pour les ingénieurs ML enthousiastes.
"Les concepts d'apprentissage automatique et toute l'activité liée aux algorithmes, aux données et au cloud ne doivent pas être considérés comme de simples modes hypermédiatisées et sans réel intérêt. Au cours de ces deux dernières décennies, l'apprentissage automatique a fait l'objet de progrès et d'expérimentations extraordinaires, mais tout le monde semble oublier pourquoi il est si urgent de le déployer au sein de nos organisations", précise Mohanty.
Le fossé entre les départements informatiques et de science des données
Mohanty rappelle qu'environ 90 % des modèles d'apprentissage automatique ne sont jamais utilisés dans un environnement de production. "Les ingénieurs ML, les scientifiques des données, les ingénieurs des données, les professionnels de l'informatique et autres ne parlent pas le même langage, ce qui met un frein à ce qu'ils pourraient réaliser ensemble. Dans bon nombre d'entreprises, on constate qu'il existe un large fossé entre le département informatique et celui de la science des données. L'informatique a tendance à donner la priorité au maintien du fonctionnement et de la stabilité des processus. Alors que les scientifiques des données aiment déstructurer les choses et expérimenter. Tout cela ne favorise pas une interaction efficace", fait remarquer Mohanty.
Résumons donc ce que Mohanty pense être les futurs défis de l'apprentissage automatique :
° Le passage à l'échelle supérieure est plus difficile qu'on ne le pense.
° Il faut faire deux fois plus d'efforts.
° Les managers n'y sont pas toujours favorables.
° Il manque un certain soutien en matière de langage et de cadre.
° La gestion de versions et la reproductibilité demeurent un réel défi.
3 points essentiels pour améliorer l'expérience utilisateur
Mohanty nous présente 3 points de vue sur la situation actuelle et surtout sur ce qui doit changer.
"L'industrie de l'apprentissage automatique progresse à un rythme fulgurant : dans ce domaine technique, six mois sont comparables à six ans dans d'autres domaines. L'accent y est essentiellement mis sur la construction de machines encore plus performantes, destinées à traiter davantage de données et à exécuter des algorithmes plus rapidement. Aujourd'hui, l'accent est davantage mis sur la puissance de calcul que sur l'apprentissage", explique Mohanty.
"Le côté modélisation de l'apprentissage automatique s'est développé beaucoup plus rapidement et mieux. Mais il manque systématiquement un cadre holistique. Le manque d'outils et de méthodologie en matière de production de ML est le principal obstacle à un impact réel dans le monde entier", déclare Mohanty.
Les géants de la technologie et les fournisseurs de services cloud commencent à comprendre que c'est l'utilisateur final – c'est-à-dire le client final – qui décidera en fin de compte qui proposera les modèles qui résoudront les vrais problèmes et qui offriront également une facilité d'utilisation et une expérience utilisateur suffisante. Avec son Human-Centered Machine Learning (HCML), Google se mobilise par exemple pour que l'apprentissage automatique soit davantage centré sur l'humain. De son côté, Microsoft a mis au point le Human-AI eXperience Toolkit. C'est le client qui décide en dernier ressort comment, dans quelle mesure et à quelles fins il souhaite exploiter l'IA dans le cadre de son travail.
"D'un côté, il y a l'impact de l'apprentissage automatique, et de l'autre, l'impact sur l'utilisateur, ce qui implique que nous agissons pour un utilisateur qui peut appliquer ces choses pour résoudre des problèmes qui se posent dans le monde réel. Lorsque je parle de résolution de problèmes, j'envisage la question du point de vue de l'utilisateur : qu'est-ce qui pourrait vous aider à faire quelque chose que vous ne pouvez pas faire aujourd'hui ? Cela devrait en fait être le point de départ de la formulation du problème. Les parties prenantes doivent ensuite faire intervenir le potentiel des algorithmes et des modèles, et non l'inverse", précise Mohanty.
Des systèmes axés sur les objectifs et qui n'improvisent pas autour du problème
"Si l'on examine les sept modèles de progression de l'IA, on constate que la section 'systèmes axés sur les objectifs' n'a pas encore beaucoup progressé", ajoute Mohanty. Les systèmes axés sur les objectifs sont des systèmes qui partent de la définition d'objectifs que l'utilisateur peut imposer de manière interactive au modèle, qui apprennent d'une étape à l'autre, qui s'adaptent lorsque l'utilisateur le demande et qui abordent le problème de manière de plus en plus sophistiquée au fil du temps. Il faut espérer que les systèmes axés sur les objectifs trouveront de plus en plus leur place dans les simulations militaires et le gaming.
"Tant que nous ne concevrons pas des solutions d'IA permettant une meilleure interaction entre les humains et l'IA, nous n'aurons pas d'utilisateurs plus engagés et l'industrie continuera d'improviser", assure Mohanty, pour conclure.
