Microsoft peaufine un service Azure de Machine Learning
Le mois prochain, Microsoft proposera en test un service cloud de Machine Learning avec lequel il entend démocratiser l’usage de ces puissants algorithmes au service de l’analytique et de l’analyse prédictive.
Le mois prochain, Microsoft proposera en test un service de Machine Learning dans le cloud, avec lequel il entend démocratiser l’usage de ces puissants algorithmes au service de l’analytique et de l’analyse prédictive. Ce service, qui sera baptisé Azure ML, se veut une illustration de la stratégie d'innovation voulue par son nouveau Pdg, Satya Nadella qui souhaite multiplier les investissements dans le Cloud.
Azure ML, indique Joseph Sirosh, Corporate Vice President des activités Machine Learning chez Microsoft dans un billet de blog, doit compiler une série d’outils d’analyse et rendre consommables, via le modèle du Cloud (comprendre simple à utiliser), des algorithmes développés par Microsoft, notamment via ses projets Bing (moteur de recherche) et Xbox (console de jeu). Des templates seront également proposés pour en faciliter la prise en main, affirme encore Microsoft, ajoutant que la publication d’API et de Web Services peut s’effectuer en quelques minutes.
Car si le Machine Learning offre un fort potentiel – Google s’en sert notamment pour optimiser la consommation énergétique de ses datacenters - « nous n’avons fait qu’égratigner la surface du potentiel » de cet élément d’intelligence artificielle, précise le patron du ML au sein de la firme de Redmond.
Le service Cloud de Microsoft a pour vocation de « dépasser les difficultés des entreprises à déployer et à utiliser le Machine Learning ». Car aujourd’hui, le Machine Learning est généralement installé sur site ou auto-géré, ce qui nécessite l’expertise ainsi que la formation de data scientists explique-t-il. Des profils, qui, pour Joseph Sirosh, ont l'inconvnient d'être « rares ». Les licences de logiciels commerciaux sont « très couteuses » et les langages offrent « une courbe d’apprentissage très raide ». Et « Même si une entreprise parvient à surmonter ces difficultés, le déploiement de nouveaux modèles de Machine Learning sur des systèmes en production nécessite souvent des investissements en terme d’ingénierie. »