DataRobot AI Cloud débarque sur la marketplace de GCP

DataRobot désormais présent sur Azure, AWS et GCP

AI Cloud Platform était déjà disponible sur Azure, tandis que la plateforme Automated Machine Learning de DataRobot était accessible sur AWS.

Annoncée, le 7 juin 2022, la disponibilité totale de ses solutions sur la marketplace du troisième plus grand fournisseur de services cloud est une étape que DataRobot se devait d’atteindre. Et ce même si l’éditeur concurrence les propres services d’IA de GCP, selon Mike Gualtieri.

« Du point de vue du marché, je ne pense pas que cela joue sur la compétitivité de DataRobot », observe l’analyste. « C’est juste quelque chose qu’ils devaient faire. Ils ne sont pas en avance. Ils ne sont pas en retard ».

AWS, Microsoft et Google sont impatients d’accueillir des concurrents plus petits, car cela élargit les écosystèmes de ces géants technologiques, affirme-t-il poliment.

Plus précisément, ces spécialistes du cloud ont basé leur croissance économique sur le stockage de données et l’exécution de traitements toujours plus volumineux. En principe pour ces acteurs, peu importe si le logiciel utilisé est le leur, tant que l’entreprise qui le déploie s’appuie sur leurs instances de calcul et de stockage.

Pour l’éditeur, c’est un bon moyen d’atteindre des clients qui ont souvent adopté un data warehouse ou un data lake chez ces fournisseurs-là. Pour les investisseurs, c’est la promesse de voir les caisses de DataRobot renflouées mensuellement par le biais de souscriptions mensuelles.

Reste à savoir si la tarification pratiquée par l’éditeur convaincra les clients au regard des fonctionnalités proposées. L’abonnement à la plateforme DataRobot sur Google Cloud, qui comprend les fonctionnalités AutoML et MLOps, est proposé à partir de 5 416,67 dollars par mois ou 65 000 dollars par an.

IA Cloud : DataRobot se pare pour les déploiements en production

En plus de GitHub, DataRobot a déclaré avoir intégré les solutions de supervision IT et de sécurité de Sumo Logic, Splunk et Datadog, ainsi que les outils de service à la clientèle de Zendesk.

Bien que DataRobot ait présenté une foule de mises à jour et de nouvelles capacités pour AI Cloud, ces améliorations étaient largement attendues, rapporte Mike Gualtieri.

Et pour cause, l’éditeur a modifié son cycle de mise à jour en passant d’un rythme de sortie trimestriel à un autre, mensuel. Il ne s’est écoulé que deux mois entre la disponibilité de DataRobot AI Cloud 8 et celle de la version AI Cloud de mai 2022.

Parmi les nouvelles fonctionnalités, l’on trouve ce que l’éditeur appelle des notebooks « code-first » intégrés à la plateforme, qui permettent aux data scientists d’écrire leurs modèles en Python, Spark et R. L’interface associée permet également d’importer des modèles depuis Jupyter ou Apache Zeppelin.

Cette technologie pour l’instant en préversion est issue de l’acquisition par DataRobot, en mai 2021, de Zepl, l’éditeur d’une plateforme analytique.

En outre, DataRobot a ajouté des capacités géospatiales à ses applications d’IA prédictive no-code. L’éditeur a également mis en avant un certain nombre de capacités étendues. Celles-ci comprennent :

• Une documentation de conformité automatisée pour tous les modèles d’IA et de machine learning, y compris ceux construits en dehors de DataRobot ;
• des capacités d’atténuation des biais qui identifient et adaptent automatiquement les modèles avant leur déploiement ;
• des fonctions MLOps pour prendre en charge les cycles de vie complets des modèles et fournir des modèles ouverts que les équipes IT peuvent connecter à des plateformes logicielles et des services tiers ;
• une meilleure prise en charge des pratiques DevOps, avec une intégration à GitHub Actions pour automatiser les flux de machine learning conformément à l’approche CI/CD.

En mars 2022, les analystes se demandaient si l’orientation prise par DataRobot serait satisfaisante pour les data scientists peu enclins à manipuler des outils no-code. Finalement, l’éditeur semble chercher un équilibre entre les deux aspirations.

Ainsi, Composable ML permet d’accéder visuellement aux hyperparamètres qui animent un modèle de traitement du langage naturel. Dans un même temps, l’amélioration de la détection automatique du langage dans Autopilot doit accélérer le développement de solutions NLP. Là encore, les data scientists peuvent observer les hyperparamètres impliqués dans la décision de classification du modèle (oui, le NLP se résume grossièrement à une suite de tâches de classification).

En outre, un outil visuel permet de filtrer les résultats de modèles de computer vision. Cela permet de comprendre rapidement pourquoi, au-dessus ou en dessous d’un certain seuil, la classification d’une image a réussi ou échoué.

Dans AI Cloud, DataRobot propose une fonction nommée XEMP, une autre méthode d’explicabilité accessible depuis un CLI pour tenter de comprendre les résultats d’algorithmes de prédiction multiclasse. XEMP est une alternative à SHAP, une librairie dédiée à l’explicabilité de l’IA, qui a donné naissance au projet open source SHAPASH chez la MAIF (environ 1 800 étoiles sur GitHub).

Une mauvaise passe pour DataRobot ?

Plus que ce dilemme entre complétude de l’offre et facilité d’utilisation, DataRobot doit non seulement rivaliser avec les solutions des cloudistes, mais aussi avec celle des autres éditeurs indépendants dont H2O.ai, Dataiku, Databricks ou encore SAS.

Sur le papier, DataRobot a toutes les cartes en main pour relever le défi. Il a levé 1 milliard de dollars depuis sa création, a acquis sept petits éditeurs et a atteint une valorisation boursière de 6,3 milliards de dollars. Or, la machine à succès semble s’être enrayée. DataRobot a connu des revers importants ces deux dernières années.

En mars 2020, au début de la pandémie de COVID-19, DataRobot avait réduit ses effectifs sans divulguer le nombre d’employés concerné par ce licenciement.

Plus récemment, au début du mois de mai, l’éditeur a congédié environ 70 employés, soit 7 % de ses effectifs, dans un contexte de ralentissement du marché qui touche la plupart des entreprises technologiques.