Microsoft sort officiellement Azure Machine Learning
L’éditeur de Redmond débarque sur le segment des services de ML dans le cloud pour batailler avec Google et AWS.
Dans la course aux services de Machine Learning qui l’oppose à Google et AWS, Microsoft a décidé à son tour de travailler à démocratiser la technologie et d’en faciliter l’usage avec le support des derniers frameworks dédiés. C’est avec cette approche que Redmond a officiellement rendu public son service de ML, Azure Machine Learning auprès d’une cible de développeurs et de spécialistes des données, actuellement à la recherche de méthodes efficaces pour bâtir leurs précieux modèles.
Hasard du calendrier ou pas, cette annonce suit de peu la présentation par AWS de nouvelles fonctions apportées à SageMaker, son service avec lequel le géant du cloud souhaite lui-aussi démocratiser le Machine Learning. A l’occasion de sa conférence Re:Invent 2018, AWS a par exemple présenté un outil de préparation de données pour SageMaker afin d’améliorer la qualité des données utilisées dans les modèles ainsi que le support de la méthode d’apprentissage par renforcement dans une déclinaison dédiée du service, SageMaker RL.
« Microsoft suit le rythme d'Amazon et de Google avec son support amélioré de l'intelligence artificielle, l’ajout de capacités de ML dans son environnement de développement Visual Studio Code et enfin avec sa plate-forme de ML dans le cloud », clarifie Ronald Schmelzer, analyste chez Cognilytica.
Support étendu de l’outillage et des frameworks
Azure Machine Learning permet de trouver plus rapidement les bons algorithmes et d’identifier les pipelines adaptés, pour en fait automatiser une partie de la sélection et du paramétrage des modèles. Microsoft évoque ainsi une diminution des temps de développement, « de quelques jours à quelques heures », souligne Bharat Sandhu, directeur du marketing produit, Big Data et Analytics chez Microsoft.
Le service apporte également des fonctionnalités DevOps, via des outils CI/CD intégrés, pour suivre et gérer des modèles déployés aussi bien dans le cloud qu’en périphérie, explique à son tour Venky Veeraraghavan, responsable Microsoft Azure, dans un billet de blog.
A cela s’ajoute le support des frameworks open source les plus répandus, comme PyTorch, TensorFlow et scikit-learn, afin de s’inscrire dans les habitudes des développeurs. Ces derniers peuvent également utiliser Visual Studio Code, Visual Studio, Visual Studio, PyCharm, Azure Databricks ou Jupyter pour créer des applications bâties sur ce service.
Les fournisseurs de cloud bataillent pour un ML plus accessible
Microsoft, AWS et Google ont tous travaillé à ouvrir un peu plus la cible d’utilisateurs du Machine Learning. Ces entreprises souhaitent limiter les risques, disposer de retours rapides, et surtout, ne pas se reposer sur des compétences spécifiques en interne ou sur des experts rémunérés.
« Lorsqu'on doit courir avec le leader du marché, comme Microsoft doit le faire en intelligence artificielle, on doit le faire en suivant deux arguments : la facilité d'utilisation et l'étendue de l'offre », commente à son tour Holger Mueller, analyste chez Constellation Research. « Microsoft fait les deux - ce qui permet à la fois aux spécialistes de l’IA et aux data scientists de collecter et d’agréger les données, puis de valider et de déployer des modèles. Il met également à disposition une large gamme de langages et de modèles pour aller au-delà de TensorFlow. »
Azure Machine Learning automatise l'extraction des entités, la sélection des algorithmes et le réglage des paramètres pour optimiser les algorithmes, précise Ronald Schmelzer. « C'est idéal pour les data scientists certes expérimentés en données, mais moins aguerris aux spécificités des différents algorithmes de ML ou de leurs configurations », ajoute-t-il.
Azure Machine Learning intègre également des notebooks à Visual Studio Code, conjuguant dans un même environnement code et data science. L'apprentissage statistique devient ainsi une composante de l'environnement de Microsoft, selon lui.
En comparaison, les outils ML d'AWS ciblent les utilisateurs occasionnels et apporte des fonctions de plus haut niveau, telles que la prévision et la personnalisation, ainsi qu'une gamme plus large autour du langage naturel, et de la qualité des données, note Ronald Schmelzer. « Amazon continue de cibler une typologie plus étendue d'utilisateurs, alors que l'approche de Microsoft semble toujours axée sur les développeurs et les data scientists plutôt que sur les utilisateurs professionnels occasionnels ou les développeurs low code. »
Tous les regards seront désormais tournés vers l'adoption de PyTorch et de l'Open Neural Network Exchange (ONNX), un format ouvert pour le Deep Learning et le Machine Learning développé par Microsoft, Facebook et AWS, souligne Holger Mueller. Microsoft a publié le code source d'ONNX Runtime, un moteur d'inférence pour les modèles de ML au format ONNX qui fonctionne sous Windows, Linux et Mac. Les équipes Microsoft utilisent le runtime ONNX Runtime pour améliorer la latence de scoring des modèles dans Bing Search, Bing Ads et Office.
