Les étapes de création d’une IA
Ce que nous allons découvrir et les prérequis
Vous avez désormais bien cerné la notion fondamentale de l’intelligence artificielle consistant à apprendre à partir de la Data. En d’autres termes, cela signifie que si vous n’avez pas de données, vous ne pourrez ni entraîner votre IA ni l’améliorer au fil du temps.
Avant de plonger dans les méandres de la création technique d’une intelligence artificielle, il est essentiel de bien comprendre l’ensemble des étapes nécessaires à la création d’une intelligence artificielle, allant de l’objectif initial à la collecte et la préparation des données, jusqu’à la mise en production de l’IA.
La mise en production désigne le processus par lequel un produit, un logiciel, un système informatique ou tout autre élément est déployé dans un environnement opérationnel et utilisé par les utilisateurs finaux.
Ce chapitre vous présentera les fondements de la collecte de données d’un point de vue théorique : les principes de base, les objectifs, le processus de collecte et de préparation des données, le choix et la mise en place des algorithmes, la formation et l’évaluation des différents modèles, puis le déploiement...
Comprendre l’objectif
Tout d’abord, vous devez identifier avec précision le domaine ou le problème que vous souhaitez résoudre avec votre future intelligence artificielle. Dans les faits, il n’y a aucune limite puisque cela peut aller de la compréhension des tendances d’achat à la reconnaissance d’image, ou bien encore à l’analyse de marché immobilier, etc.
Cela peut sembler logique au premier abord, mais en comprenant de façon précise votre objectif, vous aurez la capacité de déterminer les types de données nécessaires pour entraîner votre modèle.
Quel problème voulez-vous résoudre ou quelle tâche spécifique l’IA doit-elle accomplir ? Cette compréhension vous guidera dans le choix des algorithmes appropriés.
Par exemple, si vous travaillez sur une tâche de classification d’images, vous aurez besoin d’un algorithme différent de celui requis pour une tâche de prédiction de valeurs numériques.
Collecte et la préparation de données
La collecte de données est la toute première étape dans la création d’une intelligence artificielle.
Avant même de penser à l’architecture technique que vous allez déployer ou aux algorithmes les plus contemporains que vous souhaitez utiliser, il est tout bonnement impératif de déterminer l’ensemble des données qui vous seront nécessaires à l’atteinte de vos objectifs. Nous insistons une dernière fois : les données constituent la source d’alimentation de votre intelligence artificielle, leur qualité est essentielle au bon déploiement de votre intelligence artificielle.
Vous noterez également que ces données sont susceptibles de prendre différentes formes toutes aussi variées les unes que les autres telles que des photos, du texte, des documents, des vidéos, des enregistrements audios, des données structurées provenant des systèmes de gestion de bases de données comme Oracle ou SQL Server, ou de bases portant des données non structurées.
Les bases de données dites « relationnelles » sont utilisées depuis plusieurs décennies (1970). Elles disposent d’un langage de requêtage utilisé la majeure partie du temps dénommé SQL (Structured Query Language), permettant à lui seul d’interagir avec les données que ce soit à travers un outil dédié (SGBDR - Système de gestion de base de données relationnelle) ou dans une application réalisée par des équipes d’ingénierie logicielle afin de créer, mettre à jour, consommer ou supprimer ces données (CRUD - Create, Read, Update, Delete).
Les données y sont stockées dans des tableaux à deux dimensions, aussi appelés « tables ».
Chaque ligne représente un enregistrement (un client, une commande…) et chaque colonne un attribut de cet enregistrement (son nom, sa date, son montant…). Les tables peuvent être reliées entre elles grâce à des clés : la table des commandes contient par exemple le numéro du client concerné, ce qui permet de retrouver...
Sélection de l’algorithme
Il existe une multitude de types d’algorithmes d’apprentissage automatique, tous adaptés à des besoins spécifiques, comme évoqué dans le chapitre Les fondamentaux de l’IA de cet ouvrage. Le choix de l’algorithme qui convient le mieux dépend en grande partie de la nature de votre problème, qu’il s’agisse de classification, de régression ou de clustering ou d’autres tâches encore. De plus, vos données elles-mêmes jouent un rôle crucial dans cette décision.
Pour guider votre choix, il est essentiel de se poser certaines questions clés. Tout d’abord, quel est le type de problème que vous cherchez à résoudre ? Vous engagez-vous dans une tâche de classification, de régression ou de clustering, ou quelque chose de différent ? Comprendre la nature de votre objectif est la première étape pour sélectionner le bon algorithme.
Ensuite, examinez attentivement les caractéristiques de vos données. Sont-elles structurées avec une organisation claire ou sont-elles non structurées avec des informations dispersées ? Présentent-elles des relations complexes entre les différentes variables ? Y a-t-il des dépendances temporelles à prendre en compte ? La structure de vos données...
Division des données
Les données sont la matière première à partir de laquelle votre IA apprend. Encore faut-il vérifier qu’elle a vraiment appris, et pas simplement retenu par cœur. C’est tout l’objet de la division des données : réserver une partie des données pour entraîner le modèle, une autre pour le régler, et une dernière pour l’évaluer honnêtement.
C’est exactement ce que je fais avec mes étudiants. Les exercices de TD servent à apprendre, le partiel blanc permet d’ajuster les révisions, et l’examen final contient des sujets qu’ils n’ont jamais vus. Si je leur donnais l’examen à l’avance, je mesurerais leur mémoire, pas leur compréhension. La division des données consiste à découper votre ensemble de données en plusieurs parties distinctes, chacune jouant un rôle spécifique dans le processus d’apprentissage de votre IA. Les divisions typiques incluent :
-
L’ensemble d’entraînement (training set) est la portion la plus importante de vos données, utilisée pour former votre modèle d’intelligence artificielle. Une bonne division des données garantit que votre IA apprendra efficacement.
-
L’ensemble de validation (validation set) sert à comparer...
Entraînement et évaluation du modèle
Dès lors que les données sont collectées, préparées que l’algorithme a été identifié et mis en place et que les données ont été convenablement divisées, la prochaine étape cruciale dans la création d’un système d’intelligence artificielle consiste à entraîner et à évaluer le modèle.
Cet entraînement du modèle consiste à exposer celui-ci aux données d’entraînement pour qu’il apprenne à reconnaître les schémas et les relations entre les différentes variables. L’évaluation, quant à elle, permet de mesurer la performance du modèle et de déterminer s’il est suffisamment précis et fiable pour être utilisé dans des situations que nous qualifierons de réelles.
1. L’entraînement du modèle
L’entraînement d’un modèle en intelligence artificielle implique généralement l’utilisation d’un algorithme d’apprentissage automatique. L’algorithme prend les données d’entraînement en entrée et ajuste les paramètres du modèle pour minimiser une fonction de coût, qui mesure l’écart entre les prédictions du modèle et les valeurs réelles des données d’entraînement. Ce processus itératif est répété plusieurs fois, en faisant passer les données d’entraînement à travers le modèle, jusqu’à ce que le modèle atteigne un niveau de performance souhaité.
L’entraînement du modèle peut prendre du temps et nécessite souvent des ressources informatiques importantes, notamment des GPU (unités de traitement graphique) ou des TPU (unités de traitement tensoriel). Dans certains cas, il est possible d’utiliser des techniques de parallélisation et de distribution pour accélérer le processus d’entraînement.
2. L’évaluation du modèle
Une fois que le modèle a été formé, il est essentiel de l’évaluer pour mesurer sa performance...
Mise en production et amélioration continue
La mise en production et l’amélioration continue constituent les toutes dernières étapes de création d’une intelligence artificielle.
Après avoir collecté et préparé les données dans un premier temps, choisi votre algorithme dans un second temps, puis procédé à l’entraînement et à l’évaluation du modèle, cette quatrième et dernière phase vise à déployer l’intelligence artificielle dans un environnement réel et à maintenir et à améliorer ses performances au fil du temps. Dans cette section, nous examinerons en détail les différentes étapes du déploiement, la gestion des environnements, les plateformes et les acteurs impliqués dans la mise en production de l’IA.
1. Les différentes étapes du déploiement
Avant de déployer l’IA, il est essentiel de préparer les données de production sur lesquelles le modèle sera utilisé. Cela peut inclure le nettoyage, la normalisation et la structuration des données pour les rendre compatibles avec le modèle.
Il est nécessaire de mettre en place l’infrastructure nécessaire pour héberger et exécuter le modèle en production. Cela peut impliquer la configuration de serveurs, de bases de données et d’autres ressources informatiques pour répondre aux besoins...
Conclusion
Au fil de ce chapitre, nous avons suivi un parcours passionnant à travers les étapes fondamentales de la création d’une intelligence artificielle, de la collecte et de la préparation des données à l’amélioration continue du modèle en production. Chacune de ces étapes est essentielle au processus complexe de développement d’une IA performante et utile.
Nous avons découvert que la collecte et la préparation des données constituent le fondement de toute IA. En puisant dans des sources fiables et pertinentes, nous établissons la base sur laquelle notre modèle pourra se développer. Le nettoyage, la transformation et la structuration des données nécessitent une attention minutieuse, car la qualité des résultats repose en grande partie sur celle des données.
Le choix de l’algorithme est une étape cruciale qui guide la manière dont notre IA apprendra et se développera du choix de la famille d’algorithmes (clustering, réseaux de neurones, arbres de décision, méthodes d’ensemble) à leur réglage fin, cette décision influence directement les performances de notre modèle. Une fois l’algorithme sélectionné, sa mise en œuvre et son entraînement exigent patience et expertise, car l’IA apprend...