Visual automation platform

La data drift ou comment reprendre le contrôle des intelligences artificielles en production (Partie 2)

Le data drift est un phénomène qui engendre l’obsolescence (subie – et non programmée) des applications de Machine Learning lors de la phase de production. Nous abordons ici les solutions pour reprendre le contrôle sur vos projets en dépit de ce problème.

Nous avons vu dans le billet précédent que le data drift correspond aux changements environnementaux qui confondent l’IA et font baisser ses performances. Le concept illustre parfaitement les limites des applications actuelles d’intelligence artificielle qui ont encore une capacité d’abstraction limitée (ce qui ne les empêche pas d’être très utiles pour les entreprises).

De plus, les projets de Machine Learning doivent aussi faire face à un autre biais, celui du concept drift. Le concept drift diffère assez peu du data drift, si ce n’est que ce n’est plus l’environnement qui change mais ce à quoi s’intéresse l’intelligence artificielle. Reprenons notre exemple d’une caméra qui doit comprendre les différentes caractéristiques des véhicules pour leur facturer le juste prix sur l’autoroute. Initialement, elle devait comprendre le nombre de roues qui touchent le sol et la présence ou non d’une remorque. Mettons que les règles changent suite à une harmonisation européenne. L’IA doit comprendre le nombre d’occupants (en respectant la RGPD) pour faire des prix plus bas aux covoitureurs. 

L’IA doit donc s’adapter en continu aux changements : qu’elle soit en face du data drift, changement environnemental continu ou du concept drift, le changement d’objectif, l’IA se doit de pouvoir facilement évoluer. Malheureusement, le plus souvent, elle a été mise en place par une équipe de spécialistes de la technologie (développeurs, data scientists) qui ne sont pas disponibles pour mettre à jour le projet, et s’il le sont, les coûts de maintenance du projet seront quoi qu’il en soit très élevés.

Mais ne baissez pas les bras, et continuez à investir dans l’IA, car il existe une méthode pour résoudre le problème. Comme très peu le surmonte vous deviendrez un des rare réel bénéficiaire de cette technologie

Anticiper

La reconnaissance d’image de nouvelle génération est une science qui est analogue à celle du cerveau humain, elle est donc très intuitive. Il faut confier les projets d’IA à ceux en charge des opérations sur le terrain. Il seront en mesure d’anticiper des changements de conditions et donc de travailler à des méthodes de substitution. 

Mesurer

La baisse des performances de l’IA, tout comme la hausse, doit être une variable mesurée en permanence, pas simplement au début du projet pour donner le feu vert à la mise en production du système. Ainsi, on pourra comprendre et être conscient de l’intensité du data drift.

Améliorer continuellement 

C’est le point le plus important. L’amélioration continue consiste à mettre en production non pas une application figée mais un système complet, auto-apprenant et capable de s’adapter aux changements d’environnement des applications. L’éducation de l’IA est issue de l’interaction qu’elle a avec les humains qui vont pouvoir au quotidien corriger ses quelques erreurs quotidiennement. 

Conclusion

La clé est de mettre en place un système en production qui soit maintenu non pas par des experts du Deep Learning ou des projets IT, mais par des experts du métier, sur le terrain. Ils seront les plus à même de détecter des chutes de performance, ils sont ceux qui opèrent l’IA au quotidien, et qui sont donc en capacité de notifier à l’IA ses lacunes pour lui permettre de s’adapter aux changements et de s’améliorer tout au long de la vie du projet.

Un article initialement posté sur L’Usine Nouvelle

Vous aimerez aussi

Réenchantons la technologie : le progrès comme rempart a la crise
La vie privée d’abord, les données personnelles ensuite !
Quand La Computer Vision Transformera Votre Quotidien
Le data drift ou le cauchemar de l’intelligence artificielle en production (Partie 1)
Les 6 étapes à suivre pour construire votre propre système de reconnaissance d’image
Du travailleur augmenté au client augmenté

OÙ NOUS TROUVER?

Deepomatic New York
135 East 57th street, 16th floor
New York, NY 10022

Deepomatic Paris
53 rue de Turbigo, 75 003 Paris

©Deepomatic 2020 – Privacy Policy

Ce site web utilise des cookies pour améliorer votre expérience. Pour modifier vos paramètres de cookies ou en savoir plus, cliquez ici. Si vous continuez à naviguer sur notre site web, vous acceptez ces cookies.