Choisissez votre parcours AI/ML sur Google Cloud

Au sein d’une organisation, de nombreux collaborateurs jouent des rôles clés dans le cycle de vie du Machine Learning (ML) : des chefs produits qui interrogent en langage naturel BigQuery pour tirer des enseignements des données, les data scientists qui travaillent sur différents aspects de la construction et la validation des modèles, des ingénieurs ML qui veillent au bon fonctionnement des modèles dans les environnements de production, etc.

Chacun de ces rôles découle de besoins différents. Ce billet de blog explore les services AI/ML de Google Cloud qui permettent justement de répondre à ces différents besoins…

De manière générale, les services qui répondent le mieux à vos besoins dépendent de vos cas d’usage spécifiques et du niveau d’expertise de votre équipe.
Parce que construire et maintenir des modèles ML de haute qualité nécessite beaucoup d’efforts et d’expertise ML, une première approche simple et rapide consiste à exploiter des solutions IA prêtes à l’emploi ou des modèles pré-entraînés tant que ces derniers sont applicables à vos cas d’usage.
Pour aller plus loin, si vos données sont structurées et stockées dans BigQuery et que vos collaborateurs sont habitués à SQL, il est naturel d’opter pour BigQuery ML. Enfin, si votre cas d’usage nécessite que vous codiez votre propre modèle, orientez-vous vers les entraînements personnalisés de Vertex AI. Entrons un peu plus dans le détail de ces différentes options… 

Les Solutions d'IA prêtes à l'emploi

Les API pré-entraînées et les solutions IA prêtes à l'emploi peuvent être utilisées sans expertise préalable en ML. Pour illustrer cette approche, voici quatre solutions AI directement utilisables et proposées par Google Cloud : 

Contact Center AI – Pour créer des expériences conversationnelles riches et naturelles sur différents appareils et plateformes à l'aide d'un agent virtuel animé par l'IA, d’insights déduits des interactions avec les clients et de fonctions d'assistance aux agents.

Document AI – Pour exploiter vos données non structurées (telles que les images et les PDF) et les rendre accessibles afin d'accroître l'efficacité opérationnelle, d'améliorer l'expérience client et de faciliter la prise de décision. Pour cela, le service s’appuie à l'aide sur la vision par ordinateur de Google (y compris l'OCR) et nos capacités de traitement du langage naturel (NLP).

Recommendations AI – Pour s’appuyer sur la puissance du Machine Learning afin de fournir des recommandations personnalisées en fonction des tendances et des préférences de chaque client, sur tous les points de contact.

Dialogflow CX – Pour élaborer des IA conversationnelles réalistes associées à des agents virtuels intelligents afin de proposer des interactions riches et intuitives à vos clients.

Les API pré-entraînées

Si vous ne disposez d'aucune donnée d'entraînement pour former un modèle ou si votre cas d’usage est assez générique et repose sur des données non structurées telles que des vidéos, des images, du texte ou du langage naturel, alors une API vers une IA pré-entraînée peut s’avérer un excellent choix pour votre projet d'IA/ML. Ces IA sont pré-entrainées à partir d'un énorme corpus de données génériques non structurées, construit, adapté et maintenu par Google. Autrement dit, vous n'avez pas à vous soucier de la création et de la gestion des modèles sous-jacents.   

Vision AI – Pour tirer des insights de vos images dans le cloud ou à l’Edge avec AutoML Vision ou pour utiliser les modèles pré-entraînés de l'API Vision afin de détecter des émotions, de comprendre le sens d’un texte, d’extraire les textes des images, etc.

Video AI – Pour optimiser la découverte de contenus utiles embarqués au cœur des vidéos et offrir des expériences vidéo plus interactives.

Translation AI – Pour rendre vos contenus et vos applications multilingues grâce à une traduction automatique rapide et dynamique.

Language AI - Pour récolter des enseignements et observations à partir de textes non structurés grâce à la compréhension du langage naturel (NLU). De puissants mécanismes ML d’extraction et d’analyse permettent de réaliser des analyses de texte précises.

API Speech-to-text – Pour convertir avec précision la parole en texte (et vice versa avec l'API Text-to-speech) afin d’offrir une meilleure expérience utilisateur.

BigQuery ML

Si vos données d'apprentissage se trouvent dans BigQuery et que vos collaborateurs sont plus habitués à SQL, vos data-analysts et data-scientists pourront construire des modèles ML directement dans BigQuery à l'aide de BigQuery ML. Vous devrez cependant préalablement vous assurer que le jeu de modèles disponibles dans BigQuery ML peut répondre au problème que vous essayez de résoudre. BigQuery ML propose des instructions SQL simples pour construire, entraîner et faire des prédictions dans l'interface utilisateur BigQuery ou via l'API BigQuery.

Vertex AI 

Vertex AI propose une plateforme de bout en bout, entièrement managée, dédiée à la science des données et au Machine Learning. Simple et complète, Vertex AI s’impose comme la solution à employer si vous devez créer vos propres modèles personnalisés avec vos propres données.
Vertex AI offre deux options pour entraîner vos modèles : AutoML et l’entraînement personnalisé. 

Voici comment choisir entre ces deux options :

• Cas d’usage : Si votre cas d'usage correspond à une offre AutoML prise en charge, commencez avec AutoML. Cela inclut les cas d'utilisation impliquant des types de données tels que les images, les vidéos, les textes et les tableaux. Mais si votre modèle prend en charge un type d'entrée mixte, comme des images et des métadonnées tabulaires, il est alors plus judicieux de s’orienter vers un modèle personnalisé.
  
  

• Pré-requis : Si vous avez besoin de contrôler l'architecture de votre modèle, les dépendances des modèles exportés ou encore le framework (par exemple, si votre modèle doit être construit avec TensorFlow ou Pytorch), alors optez pour un modèle personnalisé.
  
  

• Expertise de l'équipe : Quelle est l'expérience de votre équipe en matière de ML/AI ? Si votre équipe a peu d'expérience dans la création de modèles personnalisés, explorez AutoML avant de vous lancer dans le développement de modèles personnalisés.
  
  

• Taille de l'équipe : Si vous disposez d'une petite équipe de Data Science et de ML, alors il peut s’avérer plus logique et plus productif de travailler en priorité avec AutoML car le codage d’un modèle personnalisé nécessite plus de temps aussi bien en matière de développement que de maintenance.
  
  

• Prototypage : Bonne pratique reconnue, commencez par utiliser AutoML pour rapidement développer un modèle initial qui servira de base de référence. Vous pourrez alors décider d’utiliser directement ce modèle de base en production ou chercher à l’améliorer en développant votre propre modèle personnalisé.

Pour explorer plus en profondeur les services ML, reportez-vous à cette documentation ou démarrez votre apprentissage avec nos vidéos Vertex AI détaillées. N’hésitez pas également à explorer les différents contenus proposés lors de l’Applied ML Summit, qui s’est tenu en juin, désormais disponibles à la demande. Vous y découvrirez les conseils et bonnes pratiques des meilleurs data scientists et ingénieurs ML du monde entier.

Pour plus de #GCPSketchnote, suivez le repo GitHub. Pour d’autres contenus similaires autour du Cloud, suivez-moi sur Twitter @pvergadia et gardez un œil sur thecloudgirl.dev.