Aujourd'hui, les entreprises transforment leurs activités à l'aide du Machine Learning (ou apprentissage automatique) pour s'imposer durablement face à la concurrence. De la santé au transport, en passant par la chaîne d'approvisionnement et la gestion des risques, le Machine Learning est omniprésent dans tous les secteurs, bouleversant les marchés et redéfinissant les modèles économiques.

Les organisations ont besoin de technologies et d'outils spécifiques pour créer et déployer des modèles Machine Learning performants et exercer facilement leur activité. MLOps est la clé du succès des projets de Machine Learning à grande échelle. Qu'est-ce que MLOps ? Il s'agit d'une pratique de collaboration entre les équipes de science des données et les équipes informatiques conçue pour accélérer le cycle de vie complet des ordinateurs tout au long du développement, du déploiement, de la supervision des modèles, etc. Microsoft Azure Machine Learning permet aux entreprises d'adopter pleinement les pratiques MLOps et de tirer parti du véritable potentiel de l'IA dans le cadre de leur activité.

TransLink est un parfait exemple de client qui a su transformer son activité grâce au Machine Learning et à MLOps. La société assure la gestion du réseau de transport en commun de l'agglomération de Vancouver, avec un total de 400 millions de passagers (habitants et visiteurs confondus) depuis 2018. Le réseau de bus de TransLink s'étend sur 1 800 kilomètres carrés et les usagers comptent sur l'exactitude des horaires de départ des bus pour planifier leurs trajets.

Pour améliorer l'expérience client, TransLink a déployé 18 000 jeux de modèles Machine Learning différents afin de mieux prévoir les horaires de départ des bus en tenant compte de facteurs tels que la circulation ou les intempéries. L'utilisation de MLOps avec Azure Machine Learning leur a permis de gérer et de fournir les modèles à grande échelle.

« Grâce à MLOps avec Azure Machine Learning, TransLink a mis tous les modèles en production et amélioré les prévisions de 74 % pour permettre aux usagers de mieux planifier leurs trajets sur le réseau de TransLink. En moyenne, cela a permis de réduire de 50 % le temps d'attente aux arrêts de bus », explique Sze-Wan Ng, Directeur de l'analyse et du développement chez TransLink.

Johnson Controls utilise également MLOps à grande échelle. Depuis plus de 130 ans, la société produit des équipements de lutte contre les incendies, des systèmes de climatisation et des systèmes de sécurité pour bâtiments. Johnson Controls est actuellement en pleine révolution « smart city » (ville intelligente), et le Machine Learning est au centre de son approche de maintenance des équipements.

Johnson Controls gère des milliers de refroidisseurs, chacun doté de 70 types de capteurs différents qui diffusent en continu des téraoctets de données. MLOps a permis de mettre rapidement les modèles en production, avec un processus reproductible, pour fournir des insights en temps réel sur les interventions périodiques de maintenance. Ainsi, les arrêts des refroidisseurs peuvent être prévus plusieurs jours à l'avance et être efficacement atténués, ce qui permet de réaliser des économies et d'accroître la satisfaction des clients.

« Grâce aux fonctionnalités MLOps d'Azure Machine Learning, nous sommes parvenus à réduire le temps moyen de réparation et les interruptions imprévues de plus de 66 %, ce qui s'est traduit par des gains substantiels pour l'entreprise. » – Vijaya Sekhar Chennupati, Applied Data Scientist chez Johnson Controls

Bien démarrer avec MLOps

Pour tirer pleinement parti de MLOps, les organisations doivent appliquer la même rigueur et les mêmes processus que pour les autres projets de développement de logiciels.

Pour accompagner les organisations dans leur parcours d'adoption du Machine Learning, GigaOm a développé le rapport de vision MLOps qui présente les meilleures pratiques à appliquer pour bénéficier d'une implémentation efficace et d'un modèle de maturité.

La maturité est mesurée à travers cinq niveaux de développement dans des catégories clés telles que la stratégie, l'architecture, la modélisation, les processus et la gouvernance. Grâce au modèle de maturité, les entreprises peuvent déterminer où elles en sont et définir les mesures à prendre pour « se mettre à niveau » et atteindre leurs objectifs stratégiques.

 

 

« Les organisations peuvent relever les défis liés au développement de solutions d'IA en appliquant MLOps et les meilleures pratiques. Le rapport et le modèle de maturité MLOps de GigaOm peuvent être des outils très précieux dans ce parcours » - Vijaya Sekhar Chennupati, Applied Data Scientist chez Johnson Controls.

Pour en savoir plus, lisez le rapport GigaOm et faites de la transformation Machine Learning une réalité pour votre entreprise.

Plus d’informations

• En savoir plus sur Azure Machine Learning

• Lire le rapport Gigaom, Concrétiser la vision de MLOps

• Essayez gratuitement Azure Machine Learning dès aujourd'hui.