IA : comment AWS tente de faciliter le travail des développeurs

AWS AI : simplifier le développement, un sacerdoce

« Au cours des dernières années, AWS a beaucoup investi pour faciliter la création et le déploiement de modèles d’IA pour les développeurs et les ingénieurs », assurait Joel Minnick auprès de TechTarget (groupe propriétaire du MagIT), lors de la conférence des utilisateurs d’AWS re:Invent 2019 à Las Vegas en décembre 2019.

Cet effort de simplification, AWS l’affichait partout lors de sa grand-messe. Lors du discours d’ouverture, Andy Jassy, le PDG d’AW a dévoilé les nouveaux produits et les mises à jour inclus dans SageMaker Studio, la suite complète de développement, de déploiement et de gouvernance de machine learning d’AWS.

SageMaker a bénéficié d’ajouts de produits et de mises à jour afin d’améliorer, l’expérimentation (Experiments), la création et la gestion de notebooks (Notebooks), la conception automatique de modèles algorithmiques (Autopilot), leur débogage (Debugger) et la gestion de pipelines ML (Model Monitor). En premier lieu, le géant du cloud cible les développeurs non experts.

SageMaker Autopilot, un nouveau produit d’AutoML est considéré par le responsable marketing d’AWS comme « un moyen accessible pour les nouveaux utilisateurs du machine learning de créer et de déployer des modèles ».  

SageMaker serait l’un des produits les plus importants d’AWS, selon un rapport de Nick McQuire, vice-président enterprise research chez CCS Insight… publié sur le blog de l’événement re:Invent. Le document souligne qu’AWS, en grande partie grâce à SageMaker, a ses services de cloud computing axés sur l’apprentissage machine et à « une gamme de produits avancés » et de robotique, se positionnerait un « leader incontesté dans le domaine de l’IA ».

« Peu d’entreprises (voire aucune) ont dépassé AWS en matière de machine learning en 2019 », écrit Nick McQuire. Il remarque que SageMaker à lui seul a bénéficié de 150 mises à jour entre 2018 et 2019.

Développer des « algos », ce n’est pas de tout repos

Dans le détail, ce n’est pas aussi facile que la communication d’AWS voudrait le faire croire. Prenons le cas du module Autopilot. Selon la documentation fournie par AWS, le développeur couple obligatoirement le gestionnaire de paramètres d’entrée Experiments (qu’il faudra configurer au préalable) avec AutoML. Une fois qu’il a configuré le chemin d’accès à un bucket S3, il choisit la colonne qu’il veut prédire et peut décider, s’il le souhaite, le type d’apprentissage à appliquer sur les données : la régression, la classification binaire, et la classification en classes multiples. Si le programmeur ne le fait pas, c’est seulement à ce moment-là qu’Autopilot décide pour lui en se basant sur les valeurs d’attribut qu’il veut prédire. Seulement, cela ne fonctionne pas à tous les coups, dans ce cas, le programmeur doit fournir les valeurs pour compléter le travail.

Par ailleurs, des blancs laissés dans les colonnes d’entrées peuvent causer des problèmes qu’Autopilot est censé détecter la plupart du temps (heureusement). Il faut donc préparer les données manuellement et monter une équipe en interne ou externaliser le processus. Surtout, le module de type AutoML ne fonctionne qu’avec des données tabulaires. Une fois qu’un modèle est validé, il est possible de l’entraîner, de l’évaluer puis de le passer en production via des outils Amazon. Là encore, des outils comme Model monitor permettent de suivre plus ou moins automatiquement les possibles dérives.

Démocratiser l’IA par le jeu

En plus des mises à jour de SageMaker, AWS propose une gamme de produits sous l’appellation Deep.

La gamme en question comprend également DeepLens et DeepRacer a pour but de donner aux nouveaux venus dans l’apprentissage statistique et du deep learning un moyen simple et visuel de créer des modèles spécialisés.

Introduit fin 2017, Deeplens est une caméra qui permet aux utilisateurs d’exécuter localement des modèles de computer vision. L’appareil connecté, entièrement programmable avec Lambda, est livré avec des tutoriels et des exemples de projets. Il intègre également SageMaker et Amazon Rekognition, un service d’analyse d’images.

DeepRacer, révélé l’année suivante, permet aux utilisateurs d’appliquer des modèles ML à des voitures radio commandées (RC) et de les faire courir de manière autonome sur des pistes. Les « pilotes » peuvent construire des modèles dans SageMaker, les déployer dans une simulation de circuit afin de les entraîner. Enfin, les modèles en question sont injectés dans une voiture RC à l’échelle 1/18.

AWS a même monté un tournoi nommé AWS Racing League. Plusieurs courses ont lieu toute l’année, généralement au moment des salons que le fournisseur organise dans le monde entier.

Dave Anderson, CTO chez Liberty Information Technology, la filiale IT de Liberty Mutual, a déclaré que de nombreuses personnes de son équipe participent aux tournois DeepRacer.

« C’est une façon très amusante d’apprendre le machine learning », assure le responsable.

Composer avec l’IA 

Pendant ce temps, DeepComposer, comme son nom l’indique, aide à former les utilisateurs au ML et au deep learning par la musique. Le produit est livré avec un petit clavier qui peut se brancher sur un PC ainsi qu’un ensemble de modèles musicaux préconstruits. Le clavier en lui-même n’est pas standard, mais en utilisant ces éléments sur étagère, les utilisateurs peuvent créer et modifier automatiquement des morceaux de musique assez basiques dans quelques genres musicaux.

Cette démocratisation est aussi un moyen d’attirer de nouveaux venus dans le giron d’AWS. Ces débutants qui apprennent à utiliser des solutions proposées par le fournisseur seraient plus susceptibles à l’avenir d’exécuter des workloads et d’utiliser des services IA sur le cloud du fameux fournisseur. L’enfermement qui en découlerait n’est pas une surprise et irait plutôt dans le sens des pratiques commerciales d’AWS.