Voici la première partie d'une série de trois articles sur le cycle de vie du processus de ML. Lire Partie 1 et Partie 2.
Nous avons vu ce qu'est le ML Process Lifecycle (MLPL) et pourquoi il est important, et nous avons examiné le cadre et ses principaux aspects. Dans ce troisième et dernier article de la série MLPL, nous allons voir à quoi ressemble le cadre en action !
Il est évident que lorsque nous entreprenons un projet, nous voulons qu'il se déroule sans heurts. Malheureusement, la réalité est que la plupart des projets (si ce n'est tous) se heurtent à des obstacles et à des défis. C'est particulièrement vrai pour les tâches d'exploration.
Attentes et réalité
C'est ce que nous attendons :
Mais c'est généralement ce que nous obtenons :
Comme illustré ci-dessus, nous devons fréquemment freiner et revenir en arrière, soit à l'une des phases précédentes, soit à l'un des modules de la même phase. C'est ce que nous appelons un changement de cycle de vie. Un changement de cycle de vie vous oblige à revenir sur les étapes précédentes afin de traiter les nouvelles informations et les nouveaux défis qui se présentent.
C'est aussi la raison pour laquelle on parle de "cycle" : une étape suit la suivante, et chaque étape affecte toutes les autres, en particulier celles qui sont en aval. Cela signifie que si vous revenez en arrière et modifiez ou refaites une étape, vous allez devoir revoir les étapes suivantes, car elles vont probablement changer aussi.
Les raisons d'un changement de cycle de vie
Comme vous pouvez le voir dans l'exemple ci-dessus, il existe un certain nombre de raisons pour lesquelles un changement de cycle de vie peut être nécessaire.
Par exemple, il peut y avoir des raisons commerciales, telles que le problème commercial défini ne s'alignant pas correctement sur les objectifs commerciaux, un changement dans les objectifs commerciaux de l'organisation, ou une valeur commerciale insuffisante pour justifier les dépenses d'un projet de ML.
Les problèmes liés aux données se traduisent souvent par des interruptions du cycle de vie, comme une quantité ou une qualité insuffisante des données, le fait que l'ensemble de données à disposition ne réponde pas au problème commercial défini, ou que les données historiques ne soient pas un modèle précis de la situation actuelle. Il arrive aussi que le développement du modèle ML lui-même tourne mal ou ne donne pas de réponses suffisamment précises.
Les changements de cycle de vie font partie du processus d'un projet de ML, inhérent à sa nature itérative. Il est essentiel que les organisations comprennent, au début du projet, que ces changements vont se produire.
Dernières paroles
Nous espérons que vous avez apprécié notre série sur la MLPL ! Nous savons que les projets ML sont un défi ; ils sont itératifs, exploratoires, et comportent souvent des obstacles inattendus. C'est pourquoi avoir un cadre, tel que notre MLPL, peut être très utile. Il donne aux experts techniques, aux gestionnaires non techniques et aux autres parties prenantes, telles que les clients et les conseils d'administration, une idée plus claire de ce qui est impliqué, et il fournit un cadre et un vocabulaire commun pour communiquer sur la valeur, les objectifs, les attentes et les obstacles.
Le cadre MLPL d'Amii s'appuie sur les connaissances déjà acquises par les équipes d'organisations telles que Microsoft, Uber, Google, Databricks et Facebook. Le MLPL a été adapté par les équipes d'Amii pour être un cadre indépendant de la technologie, suffisamment abstrait pour être flexible à travers les types de problèmes et suffisamment concret pour être mis en œuvre. Pour répondre aux besoins de nos clients, nous avons également découplé les phases de déploiement et d'exploration, fourni des modules de processus au sein de chaque étape et défini les artefacts clés qui résultent de chaque étape. La MLPL garantit également que nous sommes en mesure de capturer tous les apprentissages qui surviennent tout au long du processus global mais qui ne sont pas utilisés dans le modèle final.
Auteurs
Talat Iqbal Syed
Luke Kumar
Shazan Jabbar
Sankalp Prabhakar
Anna Koop
Heather Von Stackelberg