Le premier pas vers l’IA pourrait vous surprendre
Traduction par Dalila Abdennebi du texte original de Cassie Kozyrkov
Bienvenue dans le monde de l’IA! Bienvenue dans le monde du machine learning! Est-ce grave si vous ne savez pas faire la différence? Non, car vous entamerez vos projets appliqués de la même manière.
Mais de quelle manière exactement? Peut-être, au risque de vous surprendre, par aucune des façons suivantes :
- Obtenir un diplôme en IA!
- Embaucher un expert en IA!
- Choisir un superbe algorithme!
- Plonger dans les données!
C’est un piège!
Cela vous semble-t-il familier? On a tendance à privilégier ces points de départ, mais ce sont tous des pièges. Beaucoup d’entreprises se sont éprises de ces approches et échouent à mettre en œuvre des projets de machine learning. Mais pas vous. Vous commencerez de la bonne manière.
Mais avant de poursuivre, pourquoi favorise-t-on ces approches? Et bien, c’est une question de zones de confort.
Votre zone de confort peut vous égarer
Si vous êtes du genre studieux, votre instinct vous dicterait de suivre des cours et d’obtenir un diplôme. Attention toutefois, car les cours classiques d’IA ne répondront probablement pas à vos besoins. Je détesterais que vous vous retrouviez avec le mauvais diplôme!
Si vous êtes chef d’entreprise, votre instinct vous pousserait à embaucher quelqu’un qui vous semble qualifié. Super instinct! Sauf que la personne la mieux qualifiée pour démarrer un projet d’IA appliquée n’est pas un quelconque diplômé en IA… C’est vous! Commencez donc par vous embaucher, et lisez la suite pour découvrir ce que vous êtes censé faire avant d’embarquer avec vous le roi des nerds.
Ne demandez pas à une équipe de diplômés de : “Parsemez du machine learning au-dessus de l’entreprise pour que… la magie opère.”
Etrangement familier?
Si vous êtes chercheur en IA — récemment embauché pour répandre du ML au-dessus de l’entreprise telle de la poudre magique, n’est-ce-pas — vous voudrez commencer par ce qui vous est le plus familier : par l’algorithme, bien évidemment. Vous venez de passer 10 ans de votre vie à étudier la conception de nouvelles méthodes d’IA, pourquoi voudrait-on que vous commenciez ailleurs? Choisissons un algorithme… Voyons…Les réseaux de neurones font fureur. Peut-être pouvons-nous les rendre encore plus cool? Créons une nouvelle approche! Maintenant, voyons quelles données pouvons-nous injecter dans notre réseau “new-ronal”? (En espérant pouvoir produire quelque chose de vendeur afin de justifier les six derniers mois passés à inventer des choses).
Ou peut-être êtes-vous data scientist (autre profil très prisé sur le marché de l’emploi, où l’on pense que les data scientists peuvent accomplir des miracles). Peut-être que vous êtes également titulaire d’un doctorat, et que votre Grand Amour ce sont les données. Les données, les données, les données! Quelles données avons-nous? Voyons quels merveilleux ingrédients nous pouvons utiliser!
Attendez… utiliser pour faire quoi?
Si vous êtes data scientist ou chercheur en IA et que vous avez déjà vécu pareille situation, sachez que vous vous êtes fait avoir. On vous abandonne! Faites grève jusqu’à ce qu’ils assument leurs responsabilités!
Commencez par le décideur
Dirigeants, déterminez qui mène le jeu. Si c’est vous, vous êtes Le Décideur de ce projet. Dans le cas contraire, déléguez le poste à quelqu’un d’autre et demandez-lui de lire le reste de cet article pendant que vous jouez au soleil!
Commencez ici
OK, nous avons enfin notre Décideur. Il en a fallu du temps pour vous trouver, mais vous voici. Vous comprenez le métier et vous avez beaucoup d’imagination. Vous êtes donc qualifié pour ce rôle. Je suis ravie que l’on vous ait transmis cette lettre! Voyons maintenant comment mettre en œuvre un projet ML (ou IA) réussi.
La première bonne étape consiste à se concentrer sur les résultats et les objectifs.
Imaginez que ce système ML/IA fonctionne déjà parfaitement. Demandez-vous ce que vous voudriez qu’il produise lorsqu’il effectuera la prochaine tâche. Ne vous souciez pas du comment. Imaginez que cela fonctionne et qu’il répond déjà à certains de vos besoins (c’est la raison pour laquelle vous aviez besoin de ces compétences. Une personne fraîchement diplômée ne comprend pas encore vos problématiques et n’est donc pas qualifiée pour cette tâche).
Le problème avec les précédentes approches, c’est que les étapes ne se déroulent pas dans le bon ordre. La bonne manière d’aborder un projet de ML appliqué est de renverser l’ordre algorithmes — entrées — sorties, de manière à d’abord penser aux sorties, puis aux entrées et enfin aux algorithmes!
L’ordre dans lequel vous réalisez ces opérations pourrait être désastreux.
Voici une analogie qui peut s’avérer utile ici. Si vous êtes à la tête d’un restaurant (pas d’une usine de fabrication de produits électroménager, ni d’un laboratoire d’analyses agroalimentaires), pourquoi penseriez-vous à acheter ou, pire encore, à inventer un four à pizza, et ce avant même de vous demander si mettre la pizza au menu avait du sens? Cela ressemble à l’erreur de débutant commise par une personne qui ne connaît pas le métier de l’entreprise. Au lieu de cela, commencez par ce que veulent vos clients et par la qualité des aliments que vous êtes prêts à offrir.
Définissez ce qu’est le succès!
Définir ce qu’est le succès n ’est pas toujours évident. Selon vous, laquelle de ces 3 situations décrit un bon comportement?
“Toutes”? Mais vous ne voulez certainement pas que votre chien policier s’occupe du troupeau! Ni que votre chien de berger assiste la police d’ailleurs! Une meilleure réponse serait de dire que cela dépend de ce que le propriétaire attend de son chien. Le propriétaire, c’est vous! Vous jeter à corps perdu dans les algorithmes et les données avant de savoir quels résultats seront considérés comme bons ou mauvais revient, à peu de choses près, à mettre un chiot dans un sous-sol avec de l’eau et de la nourriture, et s’étonner ensuite qu’il n’en ressorte pas un bon chien policier. Vous ne pouvez pas simplement vous contenter de parsemer du machine learning au-dessus de votre entreprise, attendre que ça infuse, et en retirer quelque chose d’utile.
(Dans l’ordre : Je l’ai poursuivi — Je l’ai mordu — Méchant — Lui savoureux — Bon chien — Bon chien Peach). Il a fallu beaucoup de préparation pour faire de Peach un aussi bon policier. Il écrit lui-même les témoignages! (Ceci est un chef-d’œuvre réalisé par des officiers fatigués de répéter au service juridique que Peach était un chien et non pas une personne.)
L’analyse des données vous serait plus utile
L’IA appliquée vous oblige à avoir une vision claire de ce que votre modèle doit devenir (et pourquoi il doit le devenir). Vous devez ensuite l’entraîner dans ce sens. Si vous ne savez pas ce que vous voulez, dirigez-vous plutôt vers la source d’inspiration : l’analyse de données.
Prenez un peu de temps pour déterminer ce qui peut être suffisamment prometteur, puis revenez au machine learning lorsque vous serez prêt.
De plus, l’analyse de données utilise certaines des mêmes méthodes mathématiques, donc vous ne mentirez pas en disant à vos amis que vous utilisez des algorithmes d’IA/ML (bien que vous ne construisiez pas de systèmes ML/IA). Beaucoup pensent avoir besoin du machine learning ou de l’IA, alors que ce dont ils ont besoin est l’analyse de données. Cette dernière convient à tous les projets, tandis que la première ne s’applique qu’à certains types. Dans le doute, optez pour la valeur sûre.
Avant de faire quoi que ce soit d’autre
Les chiens ne savent pas d’instinct que vous n’appréciez pas de les voir déchiqueter votre canapé. C’est à vous de connaître vos attentes lorsque vous adoptez un animal de compagnie de sorte à l’éduquer dans ce sens, et … avant de découvrir de quoi est fait votre mobilier.
Le bon moment pour réfléchir à vos objectifs est au commencement, lorsque votre projet n’est encore qu’un chiot!
Ce qui s’applique aux chiots s’applique également aux systèmes ML/IA. Pour déterminer ce qu’est le succès, vous n’avez pas besoin de comprendre comment le cerveau du chiot apprend lorsqu’il perçoit des signaux sensoriels. Vous n’avez pas (encore) besoin de penser à la façon dont ces signaux sont stockés et traités. Ce dont vous avez effectivement besoin, c’est de comprendre que vous voulez un chien de berger (et ce que cela signifie pour vous). Pour davantage de rigueur, vous avez également besoin de suffisamment d’imagination pour vous représenter les comportements que vous visez et ceux que vous essayez d’éviter.
De plus, il est utile de faire un état des lieux rapide et intuitif : vérifiez que vous disposez de données pertinentes et d’une infrastructure capable de les traiter. Si vous dressez un chien de berger, êtes-vous sûr de pouvoir disposer de suffisamment de moutons pour l’entraîner? Et même si vous disposez d’un troupeau, le cerveau de votre chiot doit pouvoir assimiler et utiliser ces informations. Si votre “chiot” est en réalité une larve, celle-ci ne fera rien de bon avec des données qui concernent des moutons (et vous ne ferez certainement pas mouche en production). Inutile de vous dire que vous aurez un problème.
Ce qui est évident avec le dressage de chiens semble pourtant échapper à de nombreuses équipes ML/IA que j’ai rencontrées. Certaines se demandent à quoi sert le chien seulement lorsque, quelques années plus tard, on l’a sorti du sous-sol. Et bien maintenant, vous le savez.
La bonne étape franchie par les mauvaises personnes
Découvrir quel problème vous pourrez résoudre avec le ML ou l’IA est la première et la plus importante étape de votre projet. Malheureusement, ce sont bien souvent les mauvaises personnes qui la franchissent. Bien que cela relève du décideur, certains parmi eux s’évertuent, pour une quelconque raison, à ne pas assumer cette tâche et préfèrent embaucher de nombreux diplômés à qui l’on demande : “Parsemez du ML au-dessus de l’entreprise pour que … la magie opère.” Qu’est ce qui pourrait bien mal tourner?
Il faut avoir le sens des affaires pour réfléchir correctement à ce qu’un système IA/ML est censé vous apporter, et pourquoi en construire un vous sera profitable. Concentrez-vous sur cela en premier, avant même de songer aux détails pratiques, y compris vous demander si l’algorithme que vous utiliserez relève de l’IA ou du ML (vous vous en soucierez bien plus tard). Si vous n’avez aucune formation en IA/ML, commencer par cette étape avant même d’embaucher une équipe peut sembler intimidant. Mais je suis là pour assurer vos arrières… Voici un guide pas-à-pas rédigé rien que pour vous!
Merci de m’avoir lue! Que diriez-vous d’un cours sur YouTube?
Si vous vous êtes amusés ici et que vous recherchez un cours d’IA appliquée conçu pour les débutants comme pour les experts, en voici un que j’ai réalisé pour votre plaisir (en anglais):
