Implémentation rapide de l’IA pour les PME avec AutoML

L’utilisation de l’intelligence artificielle (IA) devient de plus en plus courante dans notre vie quotidienne. Mais pour de nombreuses entreprises, l’utilisation de l’IA implique également des questions et des incertitudes, par exemple en ce qui concerne la procédure appropriée pour la mise en œuvre efficace des applications d’IA. Quel rôle l’apprentissage automatique (AutoML) joue-t-il à cet égard ? Que peut-on automatiser avec AutoML, qui aide-t-il et quels sont les avantages et les inconvénients de son utilisation ? Jessica Hofmann, assistante de recherche à Centre de recherche sur l’énergie solaire et l’hydrogène du Bade-Wurtemberg (ZSW) dans sa conférence dans le cadre du séminaire en ligne « L’IA pour les PME »organisé par le Région de développement économique Stuttgart GmbHdes réponses et des conseils à ces questions sont donnés.

Définition d’AutoML et d’un processus systématique d’automatisation des tâches

Les petites et moyennes entreprises (PME) peuvent utiliser les technologies AutoML pour mettre en œuvre des applications d’IA rapidement et efficacement. AutoML simplifie l’apprentissage automatique « en automatisant diverses parties du processus » (Hofmann, ZSW, 2024). Les étapes individuelles et l’ensemble du processus d’apprentissage automatique peuvent être automatisés, en fonction de la complexité et de la portée du modèle. Cependant, afin de former un modèle utilisable et optimisé, des données collectées, structurées et sélectionnées sont d’abord nécessaires. Si ces données sont disponibles, les étapes suivantes du processus d’apprentissage automatique sont généralement effectuées :

1. Prétraitement des données
2. Sélection du modèle
3. Formation du modèle + optimisation
4. Évaluation du modèle

Ces étapes seront maintenant présentées plus en détail ci-dessous. La conférence a également classé quelles connaissances sont requises pour quelle étape. Ceci sera également discuté ci-dessous.

Pour le Prétraitement des données Le nettoyage des données, l’ingénierie des fonctionnalités et la division en données de formation et de validation sont nécessaires. Cela nécessite notamment de bonnes connaissances en informatique et une connaissance approfondie du domaine. Les connaissances en IA ne sont que partiellement nécessaires à cette étape, car l’accent est mis sur la compréhension et la structuration des données.

La prochaine étape est de faire ceci Sélection du modèle. La sélection du modèle doit être effectuée en fonction du type d’apprentissage et du problème (par exemple régression, classification, etc.). De plus, la sélection du modèle est effectuée en fonction des propriétés des données et de la complexité du problème. Cette étape nécessite une certaine connaissance du domaine et notamment une très grande quantité de connaissances en IA.

Pour le Formation de modèle et son optimisation La sélection des hyperparamètres du modèle, la sélection de la fonction d’erreur et l’évaluation de la qualité du modèle sont alors nécessaires. Ici aussi, de nombreuses connaissances en IA sont essentielles pour parvenir au modèle optimal dans un processus itératif.

La dernière étape a alors lieu Évaluation du modèle. Cela nécessite une sélection des paramètres d’évaluation, la création de parcelles d’évaluation et la création d’une évaluation finale. La connaissance du domaine est là encore utile, car la qualité du modèle doit être évaluée dans le contexte du problème. Un certain niveau de connaissances en IA est également nécessaire pour interpréter les métriques d’évaluation.

Lors de l’automatisation de l’application de l’apprentissage automatique, l’accent est mis sur les étapes de sélection et de formation des modèles ainsi que sur leur optimisation, car ces étapes peuvent être entièrement automatisées. La recherche de modèle et l’optimisation des hyperparamètres sont effectuées par des algorithmes. En revanche, le prétraitement des données et l’évaluation des modèles ne sont généralement que partiellement automatisés. Cela signifie que les tâches qui nécessitent peu ou pas de connaissances du domaine peuvent être automatisées.

En ce qui concerne les avantages d’AutoML, il est clair que deux groupes de personnes en bénéficient particulièrement :

• Personnes ayant une expertise dans le domaine et peu de connaissances en IA : elles connaissent les données et le problème et sont intéressées par une solution optimale (modèle IA), mais elles n’ont pas besoin de comprendre le processus de solution.
• Scientifiques des données : ils souhaitent automatiser les parties chronophages de leur travail, utiliser AutoML pour trouver des solutions à de nouveaux types de problèmes et obtenir de nouvelles informations à partir des résultats AutoML.

Pour les PME, cela signifie que les heures de travail de spécialistes coûteux ou le développement d’une expertise approfondie en IA peuvent être considérablement réduites, les coûts peuvent être réduits et un retour sur investissement rapide peut être obtenu.

Avantages et inconvénients d’AutoML

En résumé, les avantages et inconvénients d’AutoML vont maintenant être à nouveau présentés :

• Avantages : Accès à bas seuil aux applications d’IA ; facilité d’utilisation; Automatisation des flux de travail avec des applications à haute expertise en IA ; Modèles d’IA sur mesure grâce à des algorithmes d’optimisation pour de nombreux problèmes ; Évolutivité du processus d’apprentissage automatique ; Gains de temps et d’argent
• Inconvénients : Concept/domaine de recherche relativement nouveau ; L’optimisation des hyperparamètres (HPO) est beaucoup plus courante, mais n’est pas toujours associée à AutoML ; ne convient pas aux types de modèles volumineux tels que ChatGPT, Stable Diffusion, etc. ; La compréhensibilité est difficile (mais il existe des étapes vers Explainable AutoML) ; Le nombre de formations est plus élevé qu’avec l’approche manuelle, ce qui augmente les coûts énergétiques de l’IA et l’empreinte carbone (cependant, il y a des étapes vers Green AI / Green AutoML ici)

Offres d’accompagnement du ZSW et de sa plateforme KIlab.EE

Vous souhaitez en savoir plus sur les applications possibles d’AutoML et comment choisir le bon outil ? Vous pouvez alors contacter les collaborateurs du Centre de recherche sur l’énergie solaire et l’hydrogène du Bade-Wurtemberg (ZSW), actifs dans le domaine de l’IA depuis plus de 25 ans. À ce stade, nous devrions également mentionner la plateforme AutoML sans code KIlab.EE du ZSW. La plateforme est open source et a été conçue pour les PME germanophones afin qu’elles puissent mettre en œuvre de manière indépendante des applications d’IA avec AutoML sans code. L’outil aide les utilisateurs à comprendre et à appliquer toutes les étapes nécessaires au prétraitement des données, à la formation et à l’évaluation d’un modèle d’IA. Il convient aux données tabulaires et chronologiques. Les données sont stockées en toute sécurité – sur les serveurs ZSW à Stuttgart.

Le contenu de cette partie de connaissances provient de la conférence « Implémentation rapide d’applications d’IA pour les PME avec AutoML » de Jessica Hofmann, associée de recherche pour l’apprentissage automatique au Centre de recherche sur l’énergie solaire et l’hydrogène du Bade-Wurtemberg (ZSW). La conférence a eu lieu dans le cadre du séminaire en ligne « L’IA pour les PME », organisé le 30 octobre 2024 par l’Agence de développement économique de la région de Stuttgart dans le cadre du projet de coopération « Qualifiez-vous d’une manière axée sur l’industrie – sécurisez l’avenir »organisé.

L’événement a été soutenu par le Fonds social européen (FSE) Plus et par le ministère de l’Économie et du Travail. et Tourisme Bade-Wurtemberg cofinancé.