27 juin 2013 | Québec
Réunir les différentes étapes d’un projet d’IA
Apprendre Python, manipuler des bases de données, construire des modèles d’apprentissage automatique ou utiliser des outils de visualisation permet de développer des compétences importantes. Mais dans un véritable projet d’intelligence artificielle, ces compétences doivent fonctionner ensemble.
Il faut comprendre le problème à résoudre, recueillir et préparer les données, choisir une approche, développer un modèle, mesurer ses performances, puis déterminer comment les résultats pourront être utilisés.
Dans le programme de Spécialiste en intelligence artificielle – LEA.E3 du Collège CDI, cette intégration des compétences prend notamment forme dans les projets réalisés au cours de la formation.
Tout commence par un problème à résoudre
Un projet d’intelligence artificielle ne devrait pas commencer par la question : « Quel algorithme allons-nous utiliser? »
Il faut d’abord déterminer ce que l’on cherche réellement à accomplir.
Souhaite-t-on classifier de l’information? Estimer une valeur? Repérer des regroupements dans les données? Analyser du texte ou des images? Anticiper un résultat?
Cette définition du problème influence tout ce qui suit, des données nécessaires aux méthodes utilisées pour évaluer la solution.
Une technologie sophistiquée n’apporte pas nécessairement de valeur si elle ne répond pas au besoin initial.
👉 Découvrez également : Analyse prédictive et analyse prescriptive : quelle différence?
Trouver et organiser les données nécessaires
Une fois le problème défini, il faut déterminer quelles données permettront de l’étudier.
Celles-ci peuvent provenir de diverses sources et être organisées de multiples façons. Certaines se trouvent dans des bases de données relationnelles, tandis que d’autres peuvent nécessiter des structures différentes.
Il faut également pouvoir extraire les informations pertinentes et, lorsque plusieurs sources sont utilisées, les réunir de manière cohérente.
C’est pourquoi les compétences liées aux bases de données font partie intégrante d’un projet d’intelligence artificielle. Un modèle ne peut pas exploiter efficacement des données auxquelles il est difficile d’accéder ou qui sont mal organisées.
👉 Découvrez également : SQL et NoSQL : pourquoi les bases de données sont-elles essentielles en IA?
Préparer les données avant de développer le modèle
Les données obtenues ne sont pas nécessairement prêtes à être utilisées immédiatement.
Certaines valeurs peuvent être manquantes, incohérentes ou inutiles pour le problème étudié. Les données peuvent également devoir être transformées pour être exploitées par les méthodes retenues.
Cette préparation constitue une étape fondamentale du projet.
Elle permet notamment de mieux comprendre ce que contiennent les données et de repérer certains problèmes susceptibles d’influencer les résultats.
Des outils de programmation tels que Python et R peuvent intervenir à cette étape pour manipuler, transformer et analyser les données.
Explorer pour mieux comprendre
Avant de construire un modèle, il est souvent utile d’explorer les données.
Les statistiques permettent d’en résumer certaines caractéristiques et d’étudier les relations entre différentes variables. La visualisation peut ensuite rendre certains phénomènes plus faciles à observer.
Un graphique peut, par exemple, mettre en évidence une tendance, une valeur inhabituelle ou une différence entre plusieurs groupes qui aurait été beaucoup moins évidente dans une longue série de chiffres.
Des outils comme Tableau et Power BI permettent justement de transformer les données en représentations visuelles, facilitant leur exploration et la communication des résultats.
👉 Découvrez également : Tableau : comment la visualisation aide-t-elle à comprendre les données?
Choisir une méthode adaptée au problème
Ce n’est qu’après avoir suffisamment compris le problème et les données qu’il devient pertinent de choisir une méthode.
Selon l’objectif, une approche d’apprentissage supervisé ou non supervisé peut être utilisée. Certains problèmes peuvent recourir à des méthodes prédictives, tandis que d’autres peuvent nécessiter des réseaux de neurones ou des techniques spécialisées pour traiter du texte ou des images.
Le choix doit donc être guidé par la nature du problème et des données, et non simplement par la popularité d’une technologie.
Cette étape peut également nécessiter de tester plusieurs approches avant de déterminer laquelle produit les résultats les plus pertinents.
Entraîner ne signifie pas avoir terminé
Lorsqu’un modèle est entraîné, il faut encore vérifier qu’il fonctionne correctement.
Un modèle qui obtient d’excellents résultats sur les données utilisées lors de son apprentissage peut être beaucoup moins performant lorsqu’il est confronté à de nouvelles observations.
Il faut donc évaluer sa capacité à généraliser.
Selon le problème, différentes mesures permettent de comparer les résultats obtenus et d’identifier les forces et les limites du modèle. Cette évaluation peut mener à modifier certains paramètres, à revoir la préparation des données ou même à adopter une autre approche.
Le développement d’un modèle est donc généralement un processus itératif plutôt qu’une succession parfaitement linéaire d’étapes.
Que se passe-t-il lorsque les données deviennent très volumineuses?
La quantité de données peut également modifier la manière dont le projet est conçu.
Lorsque les volumes deviennent importants, des technologies de mégadonnées peuvent s’avérer nécessaires pour stocker et traiter efficacement l’information. Le traitement peut notamment être réparti entre plusieurs ressources informatiques.
L’infonuagique peut également fournir des ressources de stockage et de calcul adaptées aux besoins du projet.
Ces technologies montrent qu’un projet d’intelligence artificielle ne se limite pas au modèle lui-même : l’infrastructure qui permet de traiter les données et de faire fonctionner la solution fait également partie du projet.
Du modèle à son utilisation
Un modèle développé dans un environnement expérimental n’apporte pas nécessairement de valeur tant que ses résultats ne peuvent pas être utilisés.
Selon le projet, il peut devoir être intégré à une application, à un processus ou à un autre système informatique. Cette étape correspond au déploiement.
Une fois le modèle utilisé dans un environnement réel, le travail ne s’arrête pas pour autant. Ses performances peuvent devoir être surveillées, puisque les données et les conditions de fonctionnement peuvent évoluer.
👉 Découvrez également : Intelligence artificielle dans le nuage : pourquoi utiliser le cloud?
Ne pas oublier les conséquences de la solution
La performance technique ne constitue pas le seul critère d'évaluation d'un projet.
Il faut également considérer la qualité et la représentativité des données, la protection des renseignements, les biais possibles, l’interprétation des résultats et la manière dont ceux-ci seront utilisés.
Ces questions peuvent influencer plusieurs étapes du projet, du choix des données au déploiement du modèle.
Développer une solution d’intelligence artificielle implique donc aussi de comprendre ses limites et de réfléchir aux conséquences de son utilisation.
Mettre les apprentissages en pratique
Un projet permet finalement de réunir des compétences qui peuvent sembler indépendantes lorsqu’elles sont étudiées séparément.
Les bases de données, la programmation, les statistiques, la visualisation, l’analyse prédictive, les mégadonnées, l’apprentissage automatique et l’apprentissage profond constituent les différentes composantes d’un même processus.
Dans le programme de Spécialiste en intelligence artificielle – LEA.E3, cette approche permet aux étudiants de mobiliser différents apprentissages pour comprendre comment un projet peut progresser d’un problème et de données brutes au développement d’une solution d’intelligence artificielle.
Foire aux questions
1. Quelles sont les principales étapes d’un projet d’intelligence artificielle?
Un projet peut notamment comprendre la définition du problème, la collecte et la préparation des données, leur exploration, le choix d’une méthode, le développement et l’entraînement du modèle, son évaluation ainsi que son éventuel déploiement. Ces étapes peuvent être répétées plusieurs fois pour améliorer la solution.
2. Pourquoi la préparation des données est-elle importante dans un projet d’IA?
Les modèles apprennent à partir des données qui leur sont fournies. Des données incomplètes, incohérentes ou mal adaptées au problème peuvent donc affecter les résultats. Leur préparation permet de mieux comprendre l’information disponible et de la rendre exploitable selon les méthodes retenues.
3. Un projet d’intelligence artificielle se termine-t-il lorsque le modèle est entraîné?
Non. Il faut notamment évaluer le modèle à l’aide de données appropriées et, lorsqu’il est destiné à une utilisation réelle, prévoir son intégration ou son déploiement. Une surveillance peut également être nécessaire pour vérifier son comportement lorsque les données évoluent.
Pour aller plus loin
👉 Intelligence artificielle : comprendre le domaine et ses perspectives
👉 Éthique et intelligence artificielle : quels enjeux faut-il considérer?
👉 Mégadonnées : comment traiter de très grands volumes de données en IA?
👉 En savoir plus sur le programme de Spécialiste en intelligence artificielle – LEA.E3 du Collège CDI
