211service.com
L'apprentissage automatique dans le cloud aide les entreprises à innover
En association avec AWS
Au cours de la dernière décennie, l'apprentissage automatique est devenu une technologie familière pour améliorer l'efficacité et la précision des processus tels que les recommandations, les prévisions de la chaîne d'approvisionnement, le développement de chatbots, la recherche d'images et de texte et les fonctions de service client automatisées, pour n'en nommer que quelques-uns. Aujourd'hui, l'apprentissage automatique devient encore plus omniprésent, impactant tous les segments de marché et toutes les industries, y compris la fabrication, les plates-formes SaaS, les soins de santé, les réservations et l'acheminement du support client, les tâches de traitement du langage naturel (NLP) telles que le traitement intelligent des documents et même les services alimentaires.
Prenons le cas de Domino's Pizza, qui utilise des outils d'apprentissage automatique créés pour améliorer l'efficacité de la production de pizzas. Domino's avait un projet appelé Project 3/10, qui visait à ce qu'une pizza soit prête à être récupérée dans les trois minutes suivant une commande, ou à ce qu'elle soit livrée dans les 10 minutes suivant une commande, explique le Dr Bratin Saha, vice-président et directeur général de machine services d'apprentissage pour Amazon AI. Si vous voulez atteindre ces objectifs, vous devez être en mesure de prédire quand une commande de pizza arrivera. Ils utilisent des modèles d'apprentissage automatique prédictifs pour y parvenir.
L'essor récent de l'apprentissage automatique dans diverses industries a été stimulé par des améliorations dans d'autres domaines technologiques, explique Saha, dont l'augmentation de la puissance de calcul dans les centres de données cloud n'est pas la moindre.
Au cours des dernières années, explique Saha, la quantité totale de calcul qui peut être lancée sur les problèmes d'apprentissage automatique a doublé presque tous les quatre mois. C'est 5 à 6 fois plus que la loi de Moore. En conséquence, de nombreuses fonctions qui autrefois ne pouvaient être effectuées que par des humains, comme la détection d'un objet ou la compréhension de la parole, sont désormais exécutées par des ordinateurs et des modèles d'apprentissage automatique.
Chez AWS, tout ce que nous faisons revient au client et détermine comment nous réduisons ses points faibles et comment nous lui facilitons l'apprentissage automatique. Au bas de la pile de services d'apprentissage automatique, nous innovons sur l'infrastructure d'apprentissage automatique afin de rendre l'apprentissage automatique moins cher pour les clients et plus rapide pour les clients. Là, nous avons deux innovations AWS. L'un est Inferentia et l'autre est Trainium.
Les cas d'utilisation actuels de l'apprentissage automatique qui aident les entreprises à optimiser la valeur de leurs données pour effectuer des tâches et améliorer les produits ne sont qu'un début, déclare Saha.
L'apprentissage automatique va simplement devenir plus omniprésent. Les entreprises verront qu'elles sont capables de transformer fondamentalement leur façon de faire des affaires. Ils verront qu'ils transforment fondamentalement l'expérience client et adopteront l'apprentissage automatique.
Afficher les notes et les références
Infrastructure d'apprentissage automatique AWS
Transcription complète
Laurier Ruma : De MIT Technology Review, je suis Laurel Ruma. Voici Business Lab, le salon qui aide les chefs d'entreprise à donner un sens aux nouvelles technologies qui sortent du laboratoire et arrivent sur le marché.
Notre sujet aujourd'hui est l'apprentissage automatique dans le cloud. Dans tous les secteurs, l'augmentation exponentielle de la collecte de données exige des moyens plus rapides et innovants d'analyser les données, mais aussi d'en tirer des enseignements pour prendre de meilleures décisions commerciales. C'est ainsi que l'apprentissage automatique dans le cloud contribue à alimenter l'innovation pour les entreprises, des startups aux acteurs traditionnels.
Deux mots pour vous : innovation des données. Mon invité est le Dr Bratin Saha, vice-président et directeur général des services d'apprentissage automatique pour Amazon AI. Il a occupé des postes de direction chez NVIDIA et Intel. Cet épisode de Business Lab est produit en association avec AWS. Bienvenue, Bratine.
Bratin Saha : Merci de m'avoir reçu, Laurel. C'est cool d'être ici.
Laurier: Pour commencer, pourriez-vous donner quelques exemples de la manière dont les clients d'AWS utilisent l'apprentissage automatique pour résoudre leurs problèmes commerciaux ?
Bratin : Commençons par la définition de ce que nous entendons par machine learning. L'apprentissage automatique est un processus dans lequel un ordinateur et un algorithme peuvent utiliser des données, généralement des données historiques, pour comprendre des modèles, puis utiliser ces informations pour faire des prédictions sur l'avenir. Les entreprises utilisent l'apprentissage automatique pour faire diverses choses, comme personnaliser les recommandations, améliorer les prévisions de la chaîne d'approvisionnement, créer des chatbots, l'utiliser dans les soins de santé, etc.
Par exemple, Autodesk a pu utiliser l'infrastructure d'apprentissage automatique dont nous disposons pour ses chatbots afin d'améliorer de près de cinq fois sa capacité à gérer les demandes. Ils ont pu utiliser les chatbots améliorés pour répondre à plus de 100 000 questions de clients par mois.
Ensuite, il y a Nerd Wallet. Nerd Wallet est une startup de finances personnelles qui n'a pas personnalisé les recommandations qu'elle donnait aux clients en fonction des préférences du client. Ils utilisent désormais les services d'apprentissage automatique AWS pour adapter les recommandations à ce qu'une personne souhaite réellement voir, ce qui a considérablement amélioré son activité.
Ensuite, nous avons des clients comme Thomson Reuters. Thomson Reuters est l'un des fournisseurs de réponses les plus fiables au monde, avec des équipes d'experts. Ils utilisent l'apprentissage automatique pour extraire des données afin de connecter et d'organiser les informations afin de leur permettre de fournir plus facilement des réponses aux questions.
Dans le secteur financier, nous avons constaté une forte adoption des applications d'apprentissage automatique. Une entreprise, par exemple, un fournisseur de services de paiement, a pu créer un modèle de détection de fraude en seulement 30 minutes.
La raison pour laquelle je vous donne autant d'exemples est de montrer comment l'apprentissage automatique devient omniprésent. Il traverse les zones géographiques, traverse les segments de marché et est utilisé par des entreprises de toutes sortes. J'ai quelques autres exemples que je souhaite partager pour montrer comment l'apprentissage automatique touche également des secteurs tels que la fabrication, la livraison de nourriture, etc.
Domino's Pizza, par exemple, avait un projet appelé Project 3/10, où ils voulaient qu'une pizza soit prête à être récupérée dans les trois minutes suivant une commande, ou qu'elle soit livrée dans les 10 minutes suivant une commande. Si vous voulez atteindre ces objectifs, vous devez être en mesure de prédire quand une commande de pizza arrivera. Ils utilisent des modèles d'apprentissage automatique pour examiner l'historique des commandes. Ensuite, ils utilisent le modèle d'apprentissage automatique qui a été formé sur cet historique de commandes. Ils ont ensuite pu l'utiliser pour prédire quand une commande arriverait, et ils ont pu déployer cela dans de nombreux magasins, et ils ont pu atteindre les objectifs.
L'apprentissage automatique est devenu omniprésent dans la façon dont nos clients font des affaires. Il commence à être adopté dans pratiquement toutes les industries. Nous avons plus de plusieurs centaines de milliers de clients qui utilisent nos services d'apprentissage automatique. L'un de nos services d'apprentissage automatique, Amazon SageMaker, a été l'un des services à la croissance la plus rapide de l'histoire d'AWS.
Laurier : Pour récapituler, les clients peuvent utiliser les services d'apprentissage automatique pour résoudre un certain nombre de problèmes. Certains des problèmes de haut niveau seraient un moteur de recommandation, une recherche d'images, une recherche de texte et un service client, mais également pour améliorer la qualité du produit lui-même.
J'aime l'exemple de Domino's Pizza. Tout le monde comprend comment une entreprise de pizza peut fonctionner. Mais si l'objectif est de transformer les pizzas le plus rapidement possible, d'augmenter la satisfaction des clients, Domino's devait être en mesure de collecter des données, d'être en mesure d'analyser ces données historiques sur le moment où les commandes sont arrivées, la rapidité avec laquelle elles ont tourné ces commandes, la fréquence à laquelle les gens ont commandé ce qu'ils ont commandé, etc. C'est sur cela que le modèle de prédiction était basé, n'est-ce pas ?
Bratin : Oui. Vous avez posé une question sur la façon dont nous pensons aux services d'apprentissage automatique. Si vous regardez la pile d'apprentissage automatique AWS, nous la considérons comme un service à trois couches. La couche inférieure est l'infrastructure d'apprentissage automatique.
Ce que je veux dire par là, c'est que lorsque vous avez un modèle, vous entraînez le modèle à prédire quelque chose. Ensuite, les prédictions sont là où vous faites cette chose appelée inférence. Au niveau inférieur, nous fournissons l'infrastructure la plus optimisée, afin que les clients puissent créer leurs propres systèmes d'apprentissage automatique.
Ensuite, il y a une couche au-dessus de cela, où les clients viennent nous dire : 'Vous savez quoi ? Je veux juste me concentrer sur l'apprentissage automatique. Je ne veux pas construire une infrastructure d'apprentissage automatique. C'est là qu'intervient Amazon SageMaker.
Ensuite, il y a une couche au-dessus de cela, que nous appelons les services d'IA, où nous avons des modèles pré-formés qui peuvent être utilisés pour de nombreux cas d'utilisation.
Nous considérons donc l'apprentissage automatique comme trois couches. Différents clients utilisent des services à différentes couches, en fonction de ce qu'ils veulent, en fonction du type d'expertise en science des données dont ils disposent et en fonction du type d'investissements qu'ils souhaitent réaliser.
L'autre partie de notre point de vue revient à ce que vous avez mentionné au début, c'est-à-dire les données et l'innovation. L'apprentissage automatique consiste essentiellement à obtenir des informations à partir de données et à utiliser ces informations pour faire des prédictions sur l'avenir. Ensuite, vous utilisez ces prédictions pour en déduire la valeur commerciale.
Dans le cas de Domino's Pizza, il existe des données sur les modèles de commandes historiques qui peuvent être utilisées pour prédire les futurs modèles de commandes. La valeur commerciale y est l'amélioration du service client en préparant les commandes à temps. Un autre exemple est Freddy's Frozen Custard, qui a utilisé l'apprentissage automatique pour personnaliser les menus. Grâce à cela, ils ont pu obtenir une augmentation à deux chiffres de leurs ventes. Donc, il s'agit vraiment d'avoir des données, puis d'utiliser l'apprentissage automatique pour obtenir des informations à partir de ces données. Une fois que vous avez obtenu des informations à partir de ces données, vous les utilisez pour obtenir de meilleurs résultats commerciaux. Cela rejoint ce que vous avez mentionné au début : vous commencez avec des données, puis vous utilisez l'apprentissage automatique pour innover en plus.
Laurier : Quels sont certains des défis auxquels les organisations sont confrontées lorsqu'elles commencent leur parcours d'apprentissage automatique ?
Bratin : La première chose est de collecter des données et de s'assurer qu'elles sont bien structurées - des données propres - qui ne comportent pas beaucoup d'anomalies. Ensuite, comme les modèles d'apprentissage automatique s'améliorent généralement si vous pouvez les entraîner avec de plus en plus de données, vous devez continuer à collecter de grandes quantités de données. On voit souvent des clients créer des lacs de données dans le cloud, comme sur Amazon S3 par exemple. Ainsi, la première étape consiste à organiser vos données, puis à créer potentiellement des lacs de données dans le cloud que vous pouvez utiliser pour alimenter votre innovation basée sur les données.
La prochaine étape consiste à mettre en place la bonne infrastructure. C'est là que certains clients disent : « Écoutez, je veux juste construire toute l'infrastructure moi-même », mais la grande majorité des clients disent : « Écoutez, je veux juste pouvoir utiliser un service géré parce que je ne veux pas doivent investir dans la construction et l'entretien de l'infrastructure, etc.
La prochaine consiste à choisir une analyse de rentabilisation. Si vous n'avez jamais fait d'apprentissage automatique, vous souhaitez commencer avec une analyse de rentabilisation qui mène à un bon résultat commercial. Souvent, ce qui peut arriver avec l'apprentissage automatique, c'est de voir que c'est cool, de faire des démonstrations vraiment cool, mais celles-ci ne se traduisent pas en résultats commerciaux, donc vous commencez des expériences et vous n'obtenez pas vraiment le soutien dont vous avez besoin.
Enfin, vous avez besoin d'engagement car l'apprentissage automatique est un processus très itératif. Vous entraînez un modèle. Le premier modèle que vous entraînez peut ne pas vous donner les résultats que vous désirez. Il y a un processus d'expérimentation et d'itération que vous devez suivre, et cela peut vous prendre quelques mois pour obtenir des résultats. Donc, constituer une équipe et leur apporter le soutien dont ils ont besoin est la dernière partie.
Si je devais présenter cela en termes de séquence d'étapes, il est important d'avoir des données et une culture des données. Dans la plupart des cas, il est important que les clients choisissent d'utiliser un service géré pour créer et former leurs modèles dans le cloud, simplement parce que le stockage est beaucoup plus facile et que le calcul est beaucoup plus facile. La troisième consiste à choisir un cas d'utilisation qui aura une valeur commerciale, afin que votre entreprise sache que c'est quelque chose que vous souhaitez déployer à grande échelle. Et puis, enfin, soyez patient et soyez prêt à expérimenter et à itérer, car il faut souvent un peu de temps pour obtenir les données dont vous avez besoin pour bien former les modèles et obtenir réellement la valeur commerciale.
Laurier : C'est vrai, parce que ce n'est pas quelque chose qui arrive du jour au lendemain.
Bratin : Cela ne se produit pas du jour au lendemain.
Laurier : Comment les entreprises se préparent-elles à tirer profit des données ? Parce que, comme vous l'avez dit, c'est un processus en quatre étapes, mais il faut encore être patient à la fin pour être itératif et expérimental. Par exemple, avez-vous des idées sur la façon dont les entreprises peuvent penser à leurs données de manière à mieux se préparer au succès, peut-être avec leur première expérience, puis peut-être être un peu plus aventureuses en essayant d'autres ensembles de données ou d'autres façons d'aborder les données ?
Bratin : Oui. Les entreprises commencent généralement par un cas d'utilisation où elles ont l'habitude de disposer de bonnes données. Ce que je veux dire par un historique de bonnes données, c'est qu'ils ont un enregistrement des transactions qui ont été effectuées, et la plupart des enregistrements sont exacts. Par exemple, vous n'avez pas beaucoup de transactions d'enregistrement vides.
En règle générale, nous avons vu que le niveau de maturité des données varie entre les différentes parties d'une entreprise. Vous commencez par la partie d'une entreprise où la culture des données est beaucoup plus répandue. Vous commencez à partir de là pour avoir un enregistrement des transactions historiques que vous avez stockées. Vous voulez vraiment avoir des données assez denses à utiliser pour former vos modèles.
Laurier : Pourquoi est-ce le bon moment pour les entreprises de commencer à réfléchir au déploiement de l'apprentissage automatique dans le cloud ?
Bratin : Je pense qu'il y a une confluence de facteurs qui se passe maintenant. La première est que l'apprentissage automatique au cours des cinq dernières années a vraiment décollé. En effet, la quantité de calcul disponible a augmenté à un rythme très rapide. Si vous revenez à la révolution informatique, la révolution informatique a été entraînée par la loi de Moore. Selon la loi de Moore, le calcul doublait tous les 18 mois.
Au cours des dernières années, la quantité totale de calcul a doublé presque tous les quatre mois. C'est cinq fois plus que la loi de Moore. La quantité de progrès que nous avons vu au cours des quatre à cinq dernières années a été vraiment incroyable. En conséquence, de nombreuses fonctions qui autrefois ne pouvaient être effectuées que par des humains, comme la détection d'un objet ou la compréhension de la parole, sont désormais exécutées par des ordinateurs et des modèles d'apprentissage automatique. En conséquence, de nombreuses capacités sont libérées. C'est ce qui a conduit à cette énorme augmentation de l'applicabilité de l'apprentissage automatique - vous pouvez l'utiliser pour la personnalisation, vous pouvez l'utiliser dans les soins de santé et la finance, vous pouvez l'utiliser pour des tâches telles que la prédiction de désabonnement, la détection de fraude, etc.
L'une des raisons pour lesquelles le moment est venu de se lancer dans l'apprentissage automatique dans le cloud est simplement l'énorme quantité de progrès au cours des dernières années qui libère ces nouvelles capacités qui n'étaient auparavant pas possibles.
La deuxième raison est que de nombreux services d'apprentissage automatique créés dans le cloud rendent l'apprentissage automatique accessible à beaucoup plus de personnes. Même si vous regardez il y a quatre ou cinq ans, l'apprentissage automatique était quelque chose que seuls des praticiens très experts pouvaient faire et seule une poignée d'entreprises étaient capables de le faire parce qu'elles avaient des praticiens experts. Aujourd'hui, plus de cent mille clients utilisent nos services d'apprentissage automatique. Cela vous indique que l'apprentissage automatique s'est largement démocratisé, de sorte que de nombreuses autres entreprises peuvent commencer à utiliser l'apprentissage automatique et à transformer leur activité.
Vient ensuite la troisième raison, à savoir que vous disposez de capacités incroyables qui sont désormais possibles, et que vous disposez d'outils basés sur le cloud qui démocratisent ces capacités. Le moyen le plus simple d'accéder à ces outils et à ces fonctionnalités est d'utiliser le cloud car, premièrement, il fournit la base du calcul et des données. L'apprentissage automatique consiste, à la base, à lancer beaucoup de calculs sur les données. Dans le cloud, vous avez accès aux derniers calculs. Vous payez au fur et à mesure et vous n'avez pas à faire d'énormes investissements initiaux pour mettre en place des fermes de calcul. Vous bénéficiez également de tout le stockage, de la sécurité, de la confidentialité et du chiffrement, etc., de toute cette infrastructure de base nécessaire au démarrage de l'apprentissage automatique.
Laurier : Alors Bratin, comment AWS innove-t-il pour aider les organisations avec l'apprentissage automatique, la formation de modèles et l'inférence ?
Bratin : Chez AWS, tout ce que nous faisons revient au client et détermine comment nous réduisons ses points faibles et comment nous lui facilitons l'apprentissage automatique. Au bas de la pile de services d'apprentissage automatique, nous innovons sur l'infrastructure d'apprentissage automatique afin de rendre l'apprentissage automatique moins cher pour les clients et plus rapide pour les clients. Là, nous avons deux innovations AWS. L'un est Inferentia et l'autre est Trainium. Ce sont des puces personnalisées que nous avons conçues chez AWS et spécialement conçues pour l'inférence, qui est le processus de réalisation de prédictions d'apprentissage automatique, et pour la formation. Inferentia fournit aujourd'hui les instances d'inférence les moins chères dans le cloud. Et Trainium, lorsqu'il sera disponible plus tard cette année, fournira les instances de formation les plus puissantes et les plus rentables dans le cloud.
Nous avons un certain nombre de clients qui utilisent Inferentia aujourd'hui. Autodesk utilise Inferentia pour héberger ses modèles de chatbot, et ils ont été en mesure d'améliorer le coût et les latences de près de cinq fois. Airbnb compte plus de quatre millions d'hôtes qui accueillent plus de 900 millions de voyageurs dans presque tous les pays. Airbnb a doublé le débit en utilisant les instances Inferentia, ce qui signifie qu'ils ont pu répondre à près de deux fois plus de demandes d'assistance client qu'ils n'auraient pu le faire autrement. Une autre société appelée Sprinklr développe une plate-forme d'expérience client SaaS et dispose d'une plate-forme de gestion de l'expérience client unifiée basée sur l'IA. Ils ont pu déployer les modèles de traitement du langage naturel dans Inferentia et ont également constaté des améliorations significatives des performances.
Même en interne, notre équipe Alexa a pu déplacer ses inférences des GPU vers les systèmes basés sur Inferentia, et elle a constaté une amélioration des coûts de plus de 50 % grâce à ces systèmes basés sur Inferentia. Donc, nous avons cela au niveau le plus bas de l'infrastructure. En plus de cela, nous avons les services gérés, où nous innovons pour que les clients deviennent beaucoup plus productifs. C'est là que nous avons SageMaker Studio, qui est le premier IDE au monde, qui offre des outils comme les débogueurs et les profileurs et l'explicabilité, et une foule d'autres outils, comme un outil de préparation visuelle des données, qui rendent les clients beaucoup plus productifs. En plus de cela, nous avons des services d'IA où nous fournissons des modèles pré-formés pour des cas d'utilisation tels que la recherche et le traitement de documents - Kendra pour la recherche, Textract pour le traitement de documents, la reconnaissance d'images et de vidéos - où nous innovons pour faciliter la tâche des clients. pour traiter ces cas d'utilisation dès la sortie de la boîte.
Laurier : Il y a donc bien sûr certains avantages pour les services d'apprentissage automatique dans le cloud, comme un meilleur service client, une meilleure qualité et, espérons-le, une augmentation des bénéfices, mais quels indicateurs de performance clés sont importants pour le succès des projets d'apprentissage automatique, et pourquoi ces indicateurs particuliers sont-ils si importants ?
Bratin : Nous travaillons à partir du client, en partant des points faibles en fonction de ce que les clients nous disent et en inventant au nom des clients pour voir comment nous pouvons innover pour leur faciliter l'apprentissage automatique. Une partie de l'apprentissage automatique, comme je l'ai mentionné, est les prédictions. Souvent, le gros coût de l'apprentissage automatique en termes d'infrastructure réside dans l'inférence. C'est pourquoi nous avons créé Inferentia, qui sont aujourd'hui les instances d'apprentissage automatique les plus rentables dans le cloud. Donc, nous innovons au niveau du matériel.
Nous avons également annoncé Tranium. Ce seront les instances de formation les plus puissantes et les plus rentables du cloud. Ainsi, nous innovons d'abord au niveau de l'infrastructure afin de pouvoir fournir aux clients le calcul le plus rentable.
Ensuite, nous avons examiné les points faibles de ce qu'il faut pour créer un service ML. Vous avez besoin de services de collecte de données, vous avez besoin d'un moyen de configurer une infrastructure distribuée, vous avez besoin d'un moyen de configurer un système d'inférence et de pouvoir le mettre à l'échelle automatiquement, etc. Nous avons beaucoup réfléchi à la manière de construire cette infrastructure et cette innovation autour des clients.
Ensuite, nous avons examiné certains des cas d'utilisation. Ainsi, pour bon nombre de ces cas d'utilisation, qu'il s'agisse de recherche, de reconnaissance et de détection d'objets ou de traitement intelligent de documents, nous disposons de services que les clients peuvent utiliser directement. Et nous continuons à innover en leur nom. Je suis sûr que nous proposerons beaucoup plus de fonctionnalités cette année et la prochaine pour voir comment nous pouvons faciliter l'utilisation de l'apprentissage automatique pour nos clients.
Laurier : Quels indicateurs clés de performance sont importants pour le succès des projets de machine learning ? Nous avons un peu parlé de la façon dont vous aimez améliorer le service client et la qualité, et bien sûr augmenter les bénéfices, mais attribuer un KPI à un modèle d'apprentissage automatique, c'est quelque chose d'un peu différent. Et pourquoi sont-ils si importants ?
Bratin : Pour affecter les KPI, vous devez remonter à partir de votre cas d'utilisation. Supposons que vous souhaitiez utiliser l'apprentissage automatique pour réduire la fraude. Votre KPI global est, quelle a été la réduction de la détection des fraudes ? Ou disons que vous voulez l'utiliser pour réduire le taux de désabonnement. Vous dirigez une entreprise, vos clients arrivent, mais un certain nombre d'entre eux s'en vont. Vous voulez alors commencer par, comment puis-je réduire le taux de désabonnement de mes clients de quelques pour cent ? Ainsi, vous commencez par le KPI de niveau supérieur, qui est un résultat commercial que vous souhaitez atteindre, et comment obtenir une amélioration de ce résultat commercial.
Prenons l'exemple de la prédiction de désabonnement. En fin de compte, ce qui se passe, c'est que vous avez un modèle d'apprentissage automatique qui utilise des données et la quantité de formation qu'il a dû faire pour faire certaines prédictions autour desquelles le client va se désabonner. Cela revient donc à la précision du modèle. Si le modèle dit que 100 personnes vont se désabonner, combien d'entre elles se désabonneront réellement ? Cela devient donc une question de précision. Et puis vous voulez aussi voir dans quelle mesure le modèle d'apprentissage automatique a détecté tous les cas.
Donc, il y a deux aspects de la qualité que vous recherchez. Premièrement, parmi les choses que le modèle a prédites, combien se sont réellement produites ? Disons que ce modèle prédit que ces 100 clients vont se désabonner. Combien d'entre eux sont réellement désabonnés ? Et disons simplement que 95 d'entre eux sont réellement désabonnés. Donc, vous avez là une précision de 95 %. L'autre aspect est, supposons que vous dirigez cette entreprise et que vous ayez 1 000 clients. Et disons qu'une année donnée, 200 d'entre eux ont baratté. Combien de ces 200 le modèle a-t-il prédit qu'ils perdraient réellement ? C'est ce qu'on appelle le rappel, c'est-à-dire, compte tenu de l'ensemble total, combien le modèle d'apprentissage automatique est-il capable de prédire ? Donc, fondamentalement, vous partez de cette métrique commerciale, qui est le résultat que je veux obtenir, puis vous pouvez la convertir en métriques de précision du modèle en termes de précision, c'est-à-dire la précision du modèle dans la prédiction de certaines choses, puis rappel, c'est-à-dire à quel point le modèle était exhaustif ou complet dans la détection de toutes les situations.
Donc, à un niveau élevé, ce sont les choses que vous recherchez. Et puis vous descendez aux métriques de niveau inférieur. Les modèles s'exécutent sur certaines instances sur certains éléments de calcul : quel était le coût de l'infrastructure et comment puis-je réduire ces coûts ? Ces services, par exemple, sont utilisés pour gérer les surtensions pendant le Prime Day ou le Black Friday, etc. Alors, vous arrivez à ces métriques de niveau inférieur, c'est-à-dire, suis-je capable de gérer les pics de trafic ? C'est vraiment un ensemble hiérarchique de KPI. Commencez par la métrique métier, passez aux métriques du modèle, puis passez aux métriques de l'infrastructure.
Laurier : Lorsque vous pensez à l'apprentissage automatique dans le cloud dans les trois à cinq prochaines années, que voyez-vous ? A quoi penses-tu? Que peuvent faire les entreprises maintenant pour se préparer à ce qui va arriver ?
Bratin : Je pense que ce qui va se passer, c'est que l'apprentissage automatique deviendra plus omniprésent. Parce que ce qui se passera, c'est que les clients verront qu'ils sont capables de transformer fondamentalement la façon de faire des affaires. Les entreprises verront qu'elles transforment fondamentalement l'expérience client et adopteront l'apprentissage automatique. Nous l'avons également constaté chez Amazon : nous investissons depuis longtemps dans l'apprentissage automatique. Nous le faisons depuis plus de 20 ans et nous avons changé la façon dont nous servons les clients avec amazon.com ou Alexa ou Amazon Go, Prime. Et maintenant avec AWS, où nous avons pris ces connaissances que nous avons acquises au cours des deux dernières décennies de déploiement de l'apprentissage automatique à grande échelle et les mettons maintenant à la disposition de nos clients. Je pense donc que nous verrons une adoption beaucoup plus rapide de l'apprentissage automatique.
Ensuite, nous verrons de nombreux cas d'utilisation larges comme le traitement intelligent des documents, une grande partie du traitement sur papier, deviendront automatisés car un modèle d'apprentissage automatique est désormais capable de numériser ces documents et d'en déduire des informations - déduire des informations sémantiques, pas juste la syntaxe. Si vous pensez aux processus sur papier, qu'il s'agisse du traitement des prêts et du traitement des hypothèques, une grande partie de cela sera automatisée. Ensuite, nous constatons également que les entreprises deviennent beaucoup plus efficaces en termes de personnalisation comme les prévisions, les prévisions de la chaîne d'approvisionnement, les prévisions de la demande, etc.
Nous constatons une forte adoption de l'apprentissage automatique dans le domaine de la santé. Nous avons des clients, GE par exemple, utilise un service d'apprentissage automatique pour la radiologie. Ils utilisent l'apprentissage automatique pour scanner les images radiologiques afin de déterminer celles qui sont les plus graves et, par conséquent, vous souhaitez faire entrer les patients tôt. Nous voyons également le potentiel et l'opportunité d'utiliser l'apprentissage automatique en génomique pour la médecine de précision. Donc, je pense que beaucoup d'innovations vont se produire avec l'apprentissage automatique dans les soins de santé.
Nous verrons beaucoup d'apprentissage automatique dans la fabrication. De nombreux processus de fabrication deviendront plus efficaces, automatisés et plus sûrs grâce à l'apprentissage automatique.
Donc, je vois que dans les cinq à 10 prochaines années, choisissez n'importe quel domaine - comme le sport, la NFL, la NASCAR, la Bundesliga, ils utilisent tous nos services d'apprentissage automatique. La NFL utilise Amazon SageMaker pour offrir à ses fans une expérience plus immersive grâce à Next Gen Stats. La Bundesliga utilise nos services d'apprentissage automatique pour faire une gamme de prédictions et offrir une expérience beaucoup plus immersive. Même avec NASCAR. NASCAR a beaucoup d'historique de données de leurs courses, et ils l'utilisent pour former des modèles afin d'offrir une expérience beaucoup plus immersive à leurs téléspectateurs, car ils peuvent prédire beaucoup plus facilement ce qui va se passer. Ainsi, les sports, les divertissements, les services financiers, les soins de santé, la fabrication, je pense que nous verrons beaucoup plus d'utilisation de l'apprentissage automatique et que nous ferons du monde un endroit plus intelligent, plus sain et plus sûr.
Laurier : Quelle belle conversation. Merci beaucoup, Bratin de nous avoir rejoint sur Business Lab.
Bratin : Merci. Merci de me recevoir. C'était vraiment sympa de te parler.
Laurier : C'était le Dr Bratin Saha, vice-président et directeur général des services d'apprentissage automatique pour Amazon AI, avec qui j'ai parlé depuis Cambridge, Massachusetts, siège du MIT et du MIT Technology Review surplombant la rivière Charles. C'est tout pour cet épisode de Droit des affaires. Je suis votre hôte, Laurel Ruma. Je suis le directeur d'Insights, la division de publication personnalisée de MIT Technology Review. Nous avons été fondés en 1899 au Massachusetts Institute of Technology. Et vous pouvez également nous trouver dans des impressions sur le Web et lors d'événements chaque année dans le monde. Pour plus d'informations sur nous et sur le salon, veuillez consulter notre site Web à l'adresse technologyreview.com. Cette émission est disponible partout où vous obtenez vos podcasts. Si vous aimez cet épisode, nous espérons que vous prendrez un moment pour nous noter et nous évaluer. Business Lab est une production de MIT Technology Review. Cet épisode a été produit par Collective Next. Merci pour l'écoute.