Mettre en œuvre des projets d'IA avec AWS

Introduction

Je sais ce que vous devez ressentir ! Vous vous demandez si toute la théorie que nous avons parcourue au chapitre Intelligence artificielle, mythes et réalités était bien nécessaire. En effet, est-il indispensable de connaître le fonctionnement d’un moteur à explosion pour conduire une voiture ? En théorie non, on peut très bien s’en sortir sans. En pratique, l’utilisation de services d’IA ne peut pas totalement s’apparenter à la conduite d’une voiture. En effet, la voiture est utilisée pour transporter des biens et des personnes d’un point A à un point B ; un service d’IA quant à lui prend une entrée pour fournir une sortie. Par exemple, je prends une photo et en détermine les composants, ou, j’accepte une phrase et y réponds.

Cependant, si l’on extrapole à un véhicule, on se trouve devant des choix potentiels. Je veux faire mon déménagement, il va vraisemblablement falloir une camionnette ou un camion, la voiture n’étant sans doute pas adaptée, ou tout simplement faire appel à une société spécialisée et leur laisser le choix. Si je veux faire de l’analyse d’images, je peux utiliser un service comme Rekognition et ne pas me poser trop de questions, c’est le choix...

Préparer son environnement Amazon Web Services

Nous rentrons dans le domaine des services cloud. Il est donc nécessaire que vous ouvriez un compte si vous n’en possédez aucun. Dans le cas contraire, vous pouvez vous rendre directement à la section L’IA boîte noire avec les services applicatifs.

L’IA boîte noire avec les services applicatifs

J’ai évoqué l’effet boîte noire de certains services d’IA. Il ne s’agit pas uniquement, comme nous l’avons vu, de protection de la propriété intellectuelle par les sociétés de services comme Amazon, la faute en incombe à la protection de la propriété intellectuelle des sociétés de services, comme Amazon, et surtout aux algorithmes utilisés. En effet, les algorithmes basés par exemple sur les réseaux de neurones artificiels sont intrinsèquement des boîtes noires dont il est difficile, voire impossible, de comprendre le cheminement logique. Ainsi, même le plus intelligent des scientifiques ne pourra pas toujours expliquer pourquoi on obtient tel ou tel résultat ! Si cela vous effraie, je vous renvoie à ce que l’on appelle la troisième loi d’Arthur C. Clarke, l’auteur de 2001 : L’Odyssée de l’espace.

Toute technologie suffisamment avancée est indiscernable de la magie.

Vous trouverez les deux autres lois ici : https://fr.wikipedia.org/wiki/Trois_lois_de_Clarke

Nous utilisons tous les jours des dizaines d’outils, de services et de fonctions dont nous ne comprenons pas le fonctionnement : nos téléphones portables (comprenez-vous la théorie du signal qui sous-tend les télécommunications par voie aérienne ? ), le GPS de notre voiture (savez-vous que sans les horloges atomiques de satellites et la correction qui est appliquée, conséquence de l’écoulement relativiste du temps, le GPS ne fonctionnerait pas ? ) ou simplement la carte SD sur laquelle votre appareil photo numérique stocke les images que vous prenez (si vous ne savez pas comment fonctionne la mémoire flash NAND, il va être difficile de comprendre le fonctionnement interne d’une carte Secure Digital). Ce ne sont que trois exemples, je peux en trouver des dizaines, et cela ne nous empêche pas de les utiliser ni de nous considérer pieds et poings liés à des prestataires de services.

Il faut donc aborder les services cognitifs et d’IA de la même façon. On peut laisser une part de mystère (de magie ? ) et en tirer les bénéfices...

Le choix des algorithmes avec SageMaker

SageMaker nous fait rentrer de plain-pied dans le monde de l’apprentissage machine. Les services que nous avons vu jusqu’à maintenant sont des services que j’appelle clé en main. Aucun apprentissage n’est nécessaire. Vous avez besoin de traiter des images ? Rekognition vous offre une grande palette de traitements prédéfinis ! Vous voulez traduire des textes ? Translate le fait pour vous. Que dire maintenant si vous avez besoin de prévoir combien de produits à fabriquer en fonction de différents paramètres ou de combien augmenter vos prix avant que la demande ne réponde plus ? Il n’y a pas de service tout fait pour ces questions. SageMaker peut cependant vous aider à développer un modèle spécifique sans vous préoccuper de l’infrastructure nécessaire.

Il y a cependant deux éléments importants à considérer avant de vous lancer à corps perdu avec SageMaker :

Tant que vous n’êtes pas clair sur ce que vous voulez résoudre et sur les données dont vous disposez, vous ne pouvez pas aller plus loin. Ce que vous souhaitez faire va directement influer sur l’algorithme d’apprentissage à utiliser. Les données dont vous disposez et l’algorithme que vous allez utiliser vont influer sur le traitement à faire subir à vos données.

À partir de là, SageMaker va vous assister pour :

Juste l’infrastructure pour les professionnels de l’apprentissage machine

Si vous êtes encore avec moi à ce stade, soit vous avez sauté directement à cette page parce que ce qui vous intéresse c’est de construire votre propre environnement d’apprentissage machine, soit vous vous dites que décidément, ce monde de l’IA est fascinant et qu’il y a tant à apprendre. Dans le premier cas, je vous conseille vivement de revenir un peu en arrière et de lire la section Le choix des algorithmes avec SageMaker consacrée à SageMaker. En effet, cette partie pose les bases de nombreux concepts et outils qui vous seront nécessaires pour construire votre propre infrastructure et vos propres algorithmes.

Si vous êtes dans le second cas, cette section vous apportera de la souplesse. Je vous conseille néanmoins de revenir sur la section précédente consacrée à SageMaker, car Amazon devrait abandonner Amazon Machine Learning pour se recentrer sur SageMaker. Nous allons donc étudier MXNet et TensorFlow avec SageMaker et faire une rapide incursion dans les AMI à la fin du chapitre.