L’intelligence artificielle avec Flexible Engine

Alexis ANDRIANASY

Alternant développeur

Dernière mise à jour le 09/06/2021
8 min de lecture
Dites-nous ce que vous en pensez en commentaire

Marvin Lee Minsky, pionnier de l’intelligence artificielle (ou IA), définit cette dernière comme « une application capable de traiter des tâches qui sont, pour l’heure, réalisées de manière plus satisfaisante par des êtres humains dans la mesure où elles impliquent des processus mentaux de haut niveau comme l’apprentissage perceptuel, l’organisation de la mémoire et l’esprit critique ». Plus simplement, il s’agit d’un ensemble de techniques permettant aux machines de simuler une forme d’intelligence, proche de celle des êtres humains. Avec le développement du cloud ces cinq dernières années, l’IA sert à gérer et traiter toutes les données, de manière précise et rapide à travers le Machine learning. Quels sont les enjeux du développement de l’intelligence artificielle à travers le cloud ?

Qu’est-ce que le Machine Learning Service ?

Plusieurs providers sont présents sur le marché actuel : Amazon Web Services, Google Cloud, Microsoft Azure… mais aussi sur la plateforme cloud Flexible Engine d’Orange. Elle implémente plusieurs fonctionnalités comme MLS “Machine Learning Service”.

Le MLS est un service de plateforme d’analyse qui aide l’utilisateur dans la création de son projet d’IA. Il s’agira d’alimenter l’IA de données et d’exemples pour le tester. Une fois opérationnel, celle-ci pourra être mise en production.

Mise en place d’un service MLS via Flexible Engine

Bien que MLS soit extrêmement complet et performant, il peut rebuter les novices en IA. C’est pour cela que ModelArts répond à un besoin d’utilisation immédiat.

Machine Learning Clef en Main : ModelArts

Flexible Engine ModelArts est un dérivé de MLS, plus simple, plus fluide et plus rapide. C’est un outil de développement de modèle IA qui prend en charge la reconnaissance d’image, vidéo, voix, détection d’objet, scoring, recommandations et détection d’exceptions. Sur ModelArts vous pouvez de manière simple et rapide : intégrer, construire, entraîner et déployer des modèles d’IA sur le cloud.

Mise en oeuvre d'un projet ModelArts

Prenons un exemple : un projet d’IA pouvant différencier les images d’un chihuahua et un muffin (inspirées des tweets de Karen Zack).

Chihuahua ou muffin ?

Sans difficultés, l’homme est capable de les différencier, par le biais de l’odorat, le toucher ou même par le visuel. Cependant, c’est différent pour une machine. Pour que celle-ci puisse distinguer les deux, il faut l’entraîner. On doit fournir à notre IA, d’un côté, des photos de chihuahua, et de l’autre, des photos de muffins. Après un rapide entraînement, l’IA va être capable de distinguer un muffin d’un chihuahua à partir des images fournies par l’utilisateur. Par la suite, nous allons mettre en pratique cet exemple :

Étape 1 : choisir son projet d'IA

Pour le moment dans la console ExeML, il n’existe que trois différents types de projet d’IA : la classification d’image, la détection d’objet et l’analyse prévisionnelle. Chaque ressource dispose d’un algorithme spécifique. Pour cet exemple, on va choisir un projet de type classification d’image

ExeML

Étape 2 : définir les paramètres de mon projet IA

Pour créer le projet, on doit définir les paramètres suivants : Le nom du projet, la description qui est optionnelle et le jeu de données à télécharger via la création d’un bucket de données hébergé sur le service de stockage Objet (OBS).

Paramètres projet IA

Étape 3 : Entraînement des modèles

Une fois le projet défini, on classe le jeu de données importé. On définit une catégorie pour chaque image. Dans notre cas, les catégories sont “chihuahua” et “muffin”.

ExeML Test

On peut ajouter des contraintes particulières, mais ici nous garderons les valeurs par défaut.

Configuration de l'entraînement

Étape 4 : lancement des entraînements

Une fois les paramètres de l’entraînement définis, on lance l’entraînement de L’IA. Suivant le nombre d’images, l’entraînement peut durer quelques minutes. Pour accélérer le traitement, ModelArts utilise des processeurs graphiques à haute performance de calcul.

Modèle d'entrainement

Étape 5 : Mise en production

À la fin de l’entraînement, on obtient un score et un taux de précision. Si tout semble correct, on peut déployer le service d’IA en production, sous la forme d’une API qui prend en charge les requêtes de type POST et en paramètre l’image à identifier. Après l’analyse de l’image l’API renvoie un fichier JSON avec les taux de ressemblance et une estimation de la catégorie de l’image.

				
					{
 "predicted_label": "chihuahua",
   "scores": [
       [
           "chihuahua",
           "0.678"
       ],
       [
           "muffin",
           "0.322"
       ]
   ]
}

				
					{
   "predicted_label": "muffin",
 
   "scores": [
       [
           "muffin",
           "0.838"
       ],
       [
           "chihuahua",
           "0.162"
       ]
   ]
}
}

Il s’agit d’un exemple simple. Mais étendu aux données d’une grande entreprise, le Machine learning trouve son intérêt, car il permettrait de faciliter le traitement des données ou le déploiement d’infrastructures, on parle alors de MLaaS (Machine Learning as a Service).

Les avantages et inconvénients

Avantages

Inconvénients

Chez YPSI nous nous devons de “maximiser le potentiel de votre système d’information” de ce fait, n’hésitez pas à nous contacter pour un projet de déploiement cloud qui intègre une IA ou pour plus de renseignements sur Flexible Engine.

Partagez cet article :