Détecter des objets sur des photos, recommander des produits adaptés à vos besoins, prédire le futur ! … Le Machine Learning et l'IA sont des technologies nous permettant aujourd’hui de dépasser nos rêves les plus fous. C'est en tout cas ce qu'en disent nos médias mainstream les plus sensationnels…
Mais dans la réalité, ce n’est pas si simple. Une grande partie des projets AI reste au stade de la R&D, et la magie de l’IA se retrouve alors bloquée dans les MacBooks des Data Scientists. Car, transformer ses travaux en produits intégrés à l’intérieur de véritables applications business, peut rapidement s’avérer être une tâche complexe.
Heureusement, il existe aujourd’hui dans Azure des outils simples et adaptatifs qui vont fortement vous faciliter la tâche, et nous verrons cela ensemble lors de cette session.
5. Quelques règles
de vie à l’ESGI
• Repas à 12h sur présentation du
billet « repas gratuit »
• Toilettes
• Espace fumeurs
• Deux salles pour les conférences
• Wifi
12. 12
Définition
Le Machine Learning est une science qui permet de créer
automatiquement des modèles à partir de données d’exemples.
=> Objectif : prédiction et identification
13. Age Sexe Ville A acheté un
Vélo?
12 M Paris Oui
43 F Lyon Non
30 M Marseille Oui
… …. ….. …..
De quoi avons-nous besoin pour le
ML ?
De DATA !
Des attributs / informations en
colonne
Des personnes
en ligne
14. Age Sexe Ville A acheté un
Vélo?
12 M Paris Oui
43 F Lyon Non
30 M Marseille Oui
… …. ….. …..
X Y
Indentification de la colonne à prédire
F(X) = Y
Question :
Est-ce que la personne
va acheter un vélo ?
16. F()
Historique (X,Y)
Training : Création du modèle
entrainé
Age Sexe Ville A acheté
un Vélo?
12 M Paris Oui
43 F Lyon Non
30 M Marseill
e
Oui
F()
Modèle Entrainé
+ Evaluation
du model !
17. F()
De nouvelles
données X
Une prédiction de
Y
Scoring : Utilisation du modèle entrainé
pour prédire
Age Sexe Ville
20 F Nantes
A acheté
un Vélo?
Oui
18. 18
Découpage des taches et des scripts
Training / Entrainement :
• Get Data : Accède aux données d’historique brutes dans les data stores (SQL
DB, Data Lake…)
• Feature Engineering : Transforme les données vers le format attendu
• Split Data : train, test
• Train Model : utilise un algorithme et l’entraine à partir de données de train
• Evaluate Model : évalue le modèle entrainé avec les données de test
• Save Model : enregistre le modèle entrainé (persist)
Scoring / Inférence / Prédiction :
• Load Model : charge le modèle entrainé
• Get Data : récupère la donnée d’entrée à prédire
• Predict : fait une prédiction en utilisant la donnée d’entrée et le modèle
entrainé
• Return Prediction : envoie la sortie de la prédiction
19. 19
Pourquoi ? => Différents « Moments »
L’entrainement
• Peut se faire de façon ordonnancée : la nuit, une fois par jour,
par semaine, par mois…
• Prend souvent beaucoup de temps : traitement sur l’historique
complet
=> Batch / calcul distribué
L’inférence
• Peut se faire en temps réel et interagir avec d’autres systèmes
: question / réponse
• Doit être très rapide et légère
=> Web service / instances multiples avec Load balancing
22. Application de gestion
d’entrée sur site
Modèle AI de
vérification identité
Image de l’individu
Résultat de
prédiction avec
score
Information pour l’opérateur
Action sur l’entrée sur le site
Capture d’une photo de la personne
Lorsqu’une personne arrive à l’entrée d’un site
Jean-Pierre
25. 25
Historique
3eme version du service :
• 2014 : Azure Machine Learning v1
• Studio Web avec pipelines ML graphique
• Déploiement Web Service
=>Simple à utiliser, mais peu de customisation et effet « boite noire »
• 2017 : Azure Machine Learning Workbench
• Client lourd customisable via du code Python
• API pour déploiement Azure
=>Plus customisable, mais est resté en preview car difficile à implémenter
• 2018 : Azure Machine Learning Services
=> Mix de tout
• + AutoML, et autre …