Swami Sivasubramaniam, vice-président d'Amazon AI chez Amazon Web Services décompte quatre pièges associés à l'apprentissage automatique.

Livraison spéciale: conseils d’apprentissage automatique d’Amazon Web Services

Chaque année, au cours du processus de planification annuel d’Amazon, une question précise est posée aux dirigeants de chaque unité commerciale: comment prévoyez-vous de tirer parti de l’apprentissage automatique dans votre entreprise?

Les mots «nous ne prévoyons pas» ne sont pas une réponse acceptable, a déclaré Swami Sivasubramaniam, vice-président d’Amazon AI chez Amazon Web Services.

Parlant d’une scène virtuelle au Collision de la maison conférence, Sivasubramaniam a déclaré au public que le monde était déjà entré dans l’âge d’or de l’intelligence artificielle et de l’apprentissage automatique.

La conférence en ligne a été orchestrée par les producteurs de la plus grande conférence technologique au monde, Web Summit, et a rassemblé plus de 30 000 participants (23-25 ​​juin). C’était sans doute la plate-forme idéale pour une rencontre en direct basée sur le cloud pour discuter des tendances à long terme dans le monde numérique et pour le discours de Sivasubramaniam, « Pas de battage médiatique: déployer le machine learning dans le monde réel. »

Swami Sivasubramaniam, vice-président d’Amazon AI chez Amazon Web Services décompte quatre pièges associés à l’apprentissage automatique.Conception de la machine

ML a vu une traction à travers les industries et les chaînes d’approvisionnement, et il n’y a pas de pénurie d’exemples de DSI et PDG professant comment l’IA et le ML transforment les affaires pour le mieux, a déclaré Sivasubramaniam. Sa liste d’illustrations incluait le secteur financier, où Intuit utilise l’apprentissage automatique pour prévoir le volume de leur centre de contact comme un moyen d’augmenter le personnel; le domaine médical, où Aidoc tire parti de l’IA et de la vision par ordinateur pour créer des systèmes qui aident les radiologues à numériser des images; et le secteur public, où des agences telles que la NASA utilisent des algorithmes ML pour explorer les conditions extrêmes associées aux superstorms. (La NASA s’associe à AWS pour détecter éruptions solaires basé sur des anomalies de signal qui se produisent dans l’espace.)

Le parcours d’Amazon remonte à plus de 20 ans, lorsque le conglomérat numérique (aujourd’hui d’une valeur de 1300 milliards de dollars) a commencé à utiliser la technologie d’apprentissage automatique pour sa chaîne d’approvisionnement, ses centres de traitement des commandes et la livraison du dernier kilomètre. Le haut-parleur intelligent à commande vocale Echo d’Amazon n’est qu’un exemple récent d’un produit dont les racines de développement dans Amazon Lab126 remontent à 10 ans.

À l’époque, Jeff Bezos et son équipe de direction ont commencé à réaliser que l’apprentissage automatique était sur le point de passer par un moment charnière. « Avec l’avènement de nouvelles technologies, telles que le deep learning à l’horizon, ils ont commencé à se rendre compte que chaque secteur d’activité devra avoir une stratégie d’apprentissage automatique », a déclaré Sivasubramaniam.

Swami Sivasubramaniam, vice-président d'Amazon AI chez Amazon Web Services.Swami Sivasubramaniam, vice-président d’Amazon AI chez Amazon Web Services.AmazoneDepuis, expliqué Sivasubramaniam, tous les secteurs d’activité d’Amazon—qu’ils gèrent la technologie, la recherche, les ressources humaines, les finances ou la chaîne d’approvisionnementest invité à examiner comment il peut améliorer l’expérience client en utilisant l’apprentissage automatique de manière significative. En cours de route, Amazon a appris quelques leçons sur l’application réussie du ML, que Sivasubramaniam définit comme quatre pièges.

  1. Obtenez des données dans l’ordre.
  2. Comprendre où appliquer le machine learning.
  3. Combler le déficit de compétences.
  4. Ne faites pas le levage lourd indifférencié.

Quatre pièges de l’apprentissage automatique

Chez Amazon, le répertoire professionnel de Sivasubramaniam s’étend au démarrage de l’écosystème de base de données NoSQL, ainsi qu’à la pile AWS: algorithmes ML (cadres d’apprentissage profond et algorithmes ML); Services de plate-forme ML; et des services d’application d’IA tels que Lex (expériences conversationnelles riches), Polly (service de synthèse vocale) et Rekognition (service de traitement d’images). Retirés de sa présentation en ligne et modifiés pour clarification, les pointeurs tactiques suivants peuvent être appliqués pour éviter les obstacles.

1. Obtenez des données dans l’ordre

Lorsque les scientifiques des données sont invités à nommer le plus grand obstacle en matière d’apprentissage automatique, ils disent «données», affirme Sivasubramaniam. « Plus de 50% des scientifiques des données consacrent leur temps à la gestion des données, à l’annotation, à l’ETL, etc. », a-t-il déclaré., en notant que La façon d’éviter cela et d’accélérer l’apprentissage automatique consiste à poser trois questions: Quelles données sont disponibles aujourd’hui? Comment peut-il être facilement accessible pour que vous puissiez commencer? Et dans un an, quelles données souhaiterions-nous avoir pour commencer à collecter aujourd’hui et pour continuer à construire un avantage durable pour les années à venir?

2. Comprendre où appliquer le Machine Learning

Choisir le droite problème commercial est important, a déclaré Sivasubramaniam, qui les compartimente selon trois dimensions: la préparation des données, l’impact commercial et l’applicabilité de l’apprentissage automatique. « Les algorithmes d’apprentissage automatique et la recherche ont fait beaucoup de chemin pour résoudre les problèmes », a-t-il déclaré. «Si vous choisissez un problème où les données ne sont pas prêtes et où la recherche en apprentissage automatique n’a pas été suffisamment développée pour résoudre ce problème, mais son impact commercial est élevé, vous pouvez lui consacrer de nombreuses ressources.

«Mais si vous imposez un délai, cela entraînera la frustration des scientifiques des données. D’un autre côté, si vous choisissez un problème à faible impact commercial mais une applicabilité élevée des données et de l’apprentissage automatique, cela pourrait être un bon prototype pour acquérir de l’expérience. Idéalement, ce que vous voulez, c’est un problème qui obtient un score élevé sur ces trois dimensions, car c’est un excellent point de départ. »

Sivasubramaniam déconseillé de constituer un groupe d’experts techniques en apprentissage automatique et de les placer dans une équipe distincte sans aucun contact avec des experts du domaine. «Ce qui se produit généralement, c’est que les experts techniques ont tendance à créer des preuves de concept intéressantes sans décollage de l’entreprise», a déclaré Sivasubramaniam, ajoutant que l’équipe idéale composée d’experts du domaine et d’experts techniques « travaillera en arrière du client et construira quelque chose de significatif ».

3. Combler le déficit de compétences

Il n’y a pas assez de gens qui connaissent l’apprentissage automatique, a déclaré Sivasubramaniam. Il a souligné les données du Forum économique mondial, qui montrent que des emplois tels que l’intelligence artificielle et spécialistes de l’apprentissage automatique ou les scientifiques des données devraient être parmi les rôles les plus demandés dans la plupart des industries d’ici 2022. Amazon a commencé à répondre à cette demande via son Machine Learning University il y a environ six ans lorsqu’elle a commencé à former des ingénieurs et des chefs de produit, a déclaré Sivasubramaniam.

4. Ne faites pas le levage lourd indifférencié

Le dernier écueil, selon Sivasubramaniam, est que les organisations se passionnent pour la résolution de charges lourdes indifférenciées et, par extension, sont en proie à l’idée de construire une plate-forme d’apprentissage automatique, un moteur de traduction ou un moteur de contributeurs.

Dans un Discours de 2006, «Nous construisons Muck, donc vous n’avez pas à le faire», Jeff Bezos a défini «le levage de charges indifférenciées» comme l’hébergement de serveurs, la gestion de la bande passante, la négociation de contrats, la mise à l’échelle et la gestion de la croissance physique, ainsi que la gestion de la complexité accumulée du matériel hétérogène et coordonner de grandes équipes pour gérer chacun de ces domaines.

Sivasubramaniam offre ce conseil: «Ce que vous voulez idéalement, c’est que vos ingénieurs se concentrent sur les choses qui importent à l’entreprise et tirent parti des choses des nuages, comme AWS, ou des technologies open source, et résolvent le problème commercial purement différencié.

En évitant ces écueils, les entreprises se prépareront à un avenir d’apprentissage automatique où «les entreprises passeront de réactives à proactives, automatiseront leurs processus du traitement manuel au traitement automatisé, et passeront de l’expérience client généralisée à des expériences personnalisées, et feront passer la technologie de l’obscurité à être accessible », m’a dit.

Articles similaires

Commencez à saisir votre recherche ci-dessus et pressez Entrée pour rechercher. ESC pour annuler.

Retour en haut