De nouveaux outils de Google pour rendre l’apprentissage machine accessible aux entreprises

© iStock
Els Bellens

Google lance quelques nouveaux produits destinés à rendre plus efficient le travail des spécialistes des données, mais aussi à mettre à la portée de davantage d’entreprises l’apprentissage machine et l’intelligence artificielle en général.

Deux nouveaux outils AI pour entreprises sont annoncés. Il y a d’abord Kubeflow Pipelines, destiné à aider les spécialistes des données à mieux collaborer avec les membres de leur équipe et à déployer plus rapidement un modèle d’apprentissage machine en production. Ensuite, il y a l’AI Hub, une plate-forme où les entreprises pourront trouver des éléments de l’apprentissage machine comme des ensembles de données (data sets) ou des modèles tout faits. Il semble de manière générale que Google souhaite ici surtout rendre le travail des spécialistes de données davantage accessible au reste de l’entreprise.

Plate-forme pour l’AI

Le produit le plus intéressant pour les entreprises, c’est peut-être l’AI Hub. Il doit faciliter la découverte d’outils et de projets existants au sein d’une organisation, mais aussi leur partage et leur réutilisation. Google cite entre autres les pipelines, Jupyter Notebooks et modules TensorFlow comme exemples d’éléments susceptibles d’être placés et partagés sur la plate-forme (privée) par les spécialistes des données. Google insérera en outre aussi une grande partie de son propre matériel open source dans l’AI Hub. La documentation de recherche qui a été élaborée par Google Cloud AI, Google Research et d’autres équipes, aura aussi sa place sur la plate-forme. Et dans le futur, des outils payants de tiers devraient également venir s’y ajouter.

Le second outil qui a été annoncé, c’est Kubeflow Pipelines, qui constitue un élément supplémentaire pour Kubeflow. Il s’agit d’un projet open source qui permet de faire tourner des charges de travail d’apprentissage machine sur les containers Kubernetes. Le composant Pipelines est un environnement dans lequel les charges de travail d’apprentissage machine peuvent être créées, déployées, gérées et – important – réutilisées du début à la fin. Le système permet de fixer des modules dans l’ensemble, afin qu’une équipe puisse mieux collaborer. C’est ainsi qu’un spécialiste des données pourrait élaborer un modèle d’apprentissage machine, pendant que quelqu’un d’autre y adapterait la base de données voulue et qu’un développeur y mettrait en oeuvre une API. Voilà qui permettrait d’expérimenter plus rapidement et plus efficacement l’apprentissage machine.

L’AI pour tout un chacun

Google est occupée depuis quelque temps déjà à ‘démocratiser’ l’intelligence artificielle. L’entreprise considère la carence de spécialistes data comme un frein au développement (ou comme un vide sur le marché, si vous préférez), et sort par conséquent des outils qui devraient permettre aux développeurs ‘traditionnels’ de créer plus facilement des modèles d’apprentissage machine. Plus tôt cette année, elle a par exemple lancé AutoML, une série de briques de construction, tels un algorithme de reconnaissance d’images ou un modèle texte-vers-voix, que les développeurs peuvent appliquer sur leur base de données.

De plus, l’entreprise introduit des outils destinés à rendre le travail des spécialistes de données plus efficient, afin qu’ils puissent en faire plus. Kubeflow Pipelines s’inscrit dans cette philosophie, mais avant cela, Google avait aussi sorti son Cloud Machine Learning Engine, qui prend à son compte une grande partie du travail préliminaire dans la réalisation de modèles d’apprentissage machine. A l’entendre, Google dispose à présent de quelque 15.000 clients payants qui utilisent ses différents services AI.

Vous avez repéré une erreur ou disposez de plus d’infos? Signalez-le ici

Contenu partenaire