Intelligence artificielle

Faire ou acheter de l'IA? – Vers la science des données

Faire ou acheter de l'IA? - Vers la science des données


La décision de créer l'intelligence artificielle à partir de zéro ou d'utiliser les services existants est critique pour de nombreuses entreprises en 2020. Jetons un coup d'œil aux considérations pour les deux voies.

Photo de NeONBRAND sur Unsplash

L'intelligence artificielle, l'apprentissage automatique et la science des données sont devenues des conversations indispensables dans un grand nombre d'entreprises, grandes et petites. Les nombreux processus qui peuvent être optimisés grâce aux progrès de la reconnaissance des formes, de la vision par ordinateur et du traitement du langage naturel devraient alimenter la prochaine génération d'entreprises. Pour cette raison, de nombreuses organisations réclament de rassembler leurs stratégies d'IA. Alors que les scientifiques des données et les ingénieurs logiciels calculent souvent la difficulté du projet par les tâches qu'il nécessite; les chefs d'entreprise doivent peser de nombreux choix personnels et financiers sur leurs options. Un processus couramment utilisé en finance et en comptabilité est le Prendre ou acheter une décision. Il s'agit du processus de prise en compte de tous les coûts actuels et futurs de développement de tout ce qui est interne ou externalisé. Cet article expliquera les considérations des deux côtés de ces décisions en ce qui concerne l'IA et les efforts de science des données.

La définition d'une décision de faire / acheter va de soi et dans le cas d'utilisation spécifique de l'IA, les options sont les suivantes:

Faire: Implémentez des modèles d'apprentissage automatique sur des données collectées personnellement à partir de zéro - cela inclut la construction d'architectures de réseaux neuronaux, l'écriture d'algorithmes personnalisés, l'exploitation d'autres méthodes ML et la création d'API pour servir les résultats.

Acheter: Payez pour l'utilisation des API existantes et écrivez un code minimal pour prétraiter et interagir avec le service existant pour atteindre l'objectif de l'entreprise - cela inclut, mais sans s'y limiter, les services Microsoft Azure ou Amazon AWS AI pour CV, NLP et de nombreuses autres tâches.

Faire

De nombreux leaders informatiques au sein de grandes et petites entreprises sont souvent bien familiarisés avec les technologies haut de gamme actuelles. Leur curiosité et leur implication dans la communauté technologique sont souvent ce qui les a amenés à leur poste. Pour cette raison, ils recherchent très souvent des projets de pointe qui dépassent la portée globale des objectifs globaux de leur entreprise. Dans ces cas, ils peuvent pousser les efforts de l'IA à impliquer des projets très complexes qui construisent à partir de zéro des technologies de l'IA qui existent peut-être déjà. Bien que cela soit passionnant pour l'équipe, le résultat est souvent loin d'être parfait.

Un exemple que j'en ai vu est une petite entreprise de services médicaux qui souhaitait créer son propre système d'IA de transcription (voix vers texte) à partir de zéro pour interagir avec une application plus grande. Tout scientifique des données expérimenté reconnaîtrait la grande quantité de données et le temps qu'il faudrait pour construire un système de PNL capable de travailler dans des opérations médicales complexes qui fonctionnaient mieux que les systèmes actuels de synthèse vocale. Peu importe combien on leur a suggéré d'essayer d'utiliser des services comme AWS Transcribe, les responsables informatiques ont continué d'exiger de le construire en interne. En décomposant cela davantage, le coût final du développement incluait probablement un personnel de 5+ avec un taux de combustion mensuel de 20 000 $ + sur les salaires avant que les autres coûts ne soient calculés. Le revers montre que le service de transcription existant aurait pu être autorisé pour moins de 1 $ par demande!

Il n'est pas difficile de voir comment cette décision de «faire» aurait pu bénéficier d'une décision «acheter». Si, à la place, la tâche avait impliqué des types de données complexes et uniques, les dépenses auraient été beaucoup plus justifiées. De même, si l'entreprise avait souhaité vendre ce service de transcription comme son produit de base, elle aurait également bénéficié de la construction de sa propre propriété intellectuelle. Je soulève toujours ces points lorsque je conseille les entreprises sur leur stratégie d'IA. Il est important de reconnaître les heures et le personnel que des entreprises comme Microsoft, Google ou Amazon ont consacré au développement de leur service. Il est peu probable qu'une entreprise dont la préoccupation principale n'est pas la technologie obtienne les mêmes résultats, et encore moins à moindre coût.

Acheter

Comme détaillé ci-dessus, la décision d'achat peut fournir des services d'IA de haute qualité à une fraction du coût et du temps qu'il faudrait pour développer en interne. C'est une excellente option pour les entreprises qui souhaitent exploiter l'IA dans leurs processus métier internes. Le fait est que la plupart des entreprises qui souhaitent utiliser l'intelligence artificielle ne sont pas des entreprises technologiques à leur base, donc utiliser des modèles développés par des entreprises technologiques est plus efficace que de créer un département informatique hautement qualifié à tout moment.

Il y a cependant des inconvénients à la décision d'achat. L'incompatibilité des données et le manque de données sont deux obstacles pour bon nombre de ces services. L'incompatibilité des données fait référence à des structures de données complexes ou à des sorties attendues complexes. Beaucoup de ces services s'attendent à ce que des données parfaitement organisées produisent une sortie générique. Dès qu'une tâche au-dessus du niveau de transcription de la parole ou de classification d'image est requise, elles sont souvent rendues inutiles. Dans ces cas, le data scientist devra effectuer suffisamment de prétraitement pour justifier le potentiel de construction d'un modèle personnalisé pour s'adapter à la tâche. Il est également important de considérer l'adaptabilité du système tout au long du cycle de vie. Si le programme devrait dépasser les capacités (c'est-à-dire les exigences Edge / IoT), il est important d'envisager de construire en interne pour éliminer cette dépendance. Enfin, les réglementations en matière de données peuvent souvent entraver l'interaction avec des API tierces, ce qui peut être un autre point à considérer qui pousse à une décision «prise».

Au cours des dernières années, j'ai travaillé avec de nombreuses entreprises pour mettre en œuvre et conseiller sur les systèmes d'IA par le biais de contrats et de travaux indépendants. Je commence toujours par la question: "Voulez-vous intégrer un service existant ou en créer un vous-même?" Jetons un œil aux résultats.

Il est bien évident que la plupart sont partisans de la construction d'un système entièrement personnalisé. Je n'entrerai pas dans chaque cas spécifique, mais beaucoup de ces applications étaient de simples tâches CV et NLP qui auraient été dupliquées à construire à partir de zéro. Certains pourraient demander,

La réponse est qu'ils embauchent un scientifique des données pour atteindre un objectif, et une partie de ma tâche consiste à conseiller la voie la plus rentable et la plus efficace. Peu importe d'où vient le modèle de la connaissance et de la compréhension pour construire le pipeline avec n'importe quel outil, c'est ce que chaque entreprise recherche en fin de compte.

Comme nous pouvons le voir, les résultats finaux étaient très différents de la demande initiale. J'ai pu sauver certains de ces clients de l'erreur plus tard dans les conversations initiales, mais d'autres ont passé beaucoup de temps et d'argent à essayer de construire des modèles qui seraient simplement remplacés par des services existants ou des modèles pré-formés.

Voici une liste rapide de certains services disponibles qui peuvent s'intégrer à merveille pour répondre efficacement à de nombreux désirs en science des données.

  • Microsoft Azure AI: la suite d'IA basée sur le cloud d'Azure propose des API pour les tâches de vision par ordinateur, de traitement du langage naturel et de clustering. La plupart des services sont basés sur l'API REST. Il existe également des outils pour créer des chatbots et de nombreux autres cas d'utilisation courants de l'IA.
  • AWS Machine Learning: un autre fournisseur de cloud reconnaissable avec de nombreuses API. Certains services supplémentaires à ceux ci-dessus sont la compréhension du texte du document, les prévisions, la transcription certifiée HIPAA et la détection de fraude.
  • H20: H20 fournit des studios de données pour «faire de votre entreprise une entreprise d'IA». Ils offrent plusieurs suites logicielles qui prennent des types de données intersectoriels et accomplissent des tâches courantes.

Cette liste pourrait prendre un article entier pour expliquer les opportunités et les nuances que chacun offre.

En conclusion, on peut dire que la mise en œuvre de l'IA dans n'importe quel système de production nécessite des niveaux d'expertise approfondis au sein d'une équipe de scientifiques des données et d'ingénieurs d'apprentissage automatique. Bien qu'il puisse être intéressant pour les services informatiques de créer leurs propres systèmes d'IA, il est souvent plus efficace de considérer les options qui existent déjà. Cela peut aider à éviter de nombreux coûts et maux de tête. D'un autre côté, si une organisation a le temps, les ressources et le personnel pour expérimenter avec un système radicalement différent, cela peut avoir l'avantage de créer la prochaine grande chose dans cette verticale. Je suis sûr que dans 10 ans, il y aura de nombreuses études de cas détaillant ce qui a bien et mal tourné dans ces décisions. Les anciennes industries, comme l'automobile par exemple, peuvent constater que leurs efforts pour construire des efforts internes d'autonomie auraient pu être accélérés en travaillant avec des partenaires davantage axés sur la technologie pour combler ces lacunes. Prendre le temps de déterminer si votre organisation est la mieux placée pour créer ou acheter votre prochaine application d'IA peut être la décision la plus importante de toute transformation commerciale de cette génération.

Les références

[1] https://www.investopedia.com/terms/m/make-or-buy-decision.asp

[2] Microsoft Azure AI

[3]Apprentissage automatique AWS

[4]H20

Afficher plus

SupportIvy

SupportIvy.com : Un lieu pour partager le savoir et mieux comprendre le monde. Meilleure plate-forme de support gratuit pour vous, Documentation &Tutoriels par les experts.

Articles similaires

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Bouton retour en haut de la page
Fermer