Enseignement automatique avec le Project Bonsai de Microsoft

Par Simon Bisson, chroniqueur, InfoWorld |

L’apprentissage automatique (ML) étant au cœur d’une grande partie de l’informatique moderne, la question intéressante est la suivante : comment les machines apprennent-elles ? Il y a beaucoup d'informatique approfondie dans l'apprentissage automatique, produisant des modèles qui utilisent des techniques de rétroaction pour s'améliorer et s'entraîner sur des ensembles de données massifs pour construire des modèles capables d'utiliser des techniques statistiques pour déduire des résultats. Mais que se passe-t-il lorsque vous ne disposez pas des données nécessaires pour construire un modèle à l’aide de ces techniques ? Ou lorsque vous ne disposez pas des compétences en science des données ?

Tout ce que nous souhaitons gérer avec l’apprentissage automatique ne génère pas de grandes quantités de données ou ne dispose pas de l’étiquetage nécessaire pour rendre ces données utiles. Dans de nombreux cas, nous ne disposons peut-être pas des ensembles de données historiques nécessaires. Peut-être sommes-nous en train d'automatiser un processus métier qui n'a jamais été instrumenté ou de travailler dans un domaine où l'intervention humaine est critique. Dans d’autres cas, nous pourrions essayer de défendre un système d’apprentissage automatique contre des attaques adverses, en trouvant des moyens de contourner les données empoisonnées. C’est là qu’intervient le machine learning, en guidant les algorithmes de machine learning vers une cible et en travaillant avec des experts.

Microsoft est à l'avant-garde de la recherche sur l'IA depuis un certain temps et les API de services cognitifs qui en résultent sont intégrées à la plateforme Azure. Il propose désormais des outils pour développer et entraîner vos propres modèles à l’aide du Big Data stocké dans Azure. Cependant, ces plates-formes et outils d'apprentissage automatique traditionnels ne sont pas la seule offre de Microsoft, car son outil de développement low-code Project Bonsai offre un moyen simple d'utiliser l'enseignement automatique pour piloter le développement de ML pour l'IA industrielle.

Fourni dans le cadre de la suite Autonomous Systems de Microsoft, Project Bonsai est un outil permettant de créer et de former des modèles d'apprentissage automatique, utilisant un simulateur avec une intervention humaine pour permettre aux experts de créer des modèles sans avoir besoin d'expérience en programmation ou en apprentissage automatique. Il sert également d'outil pour fournir une IA explicable, car la phase d'apprentissage automatique du processus montre comment le système ML sous-jacent a pris une décision.

Au cœur de Project Bonsai se trouve le concept de simulation de formation. Ceux-ci implémentent un système réel que vous souhaitez contrôler avec votre application d'apprentissage automatique. Vous devez donc le créer à l'aide d'un logiciel de simulation d'ingénierie familier, tel que Simulink de MATLAB ou d'un code personnalisé exécuté dans un conteneur. Si vous utilisez déjà des simulateurs dans le cadre d'un environnement de développement de système de contrôle ou comme outil de formation, ceux-ci peuvent être réutilisés pour être utilisés avec Project Bonsai.

Les simulateurs de formation dotés d’une interface utilisateur sont ici un outil utile, car ils peuvent capturer les entrées de l’utilisateur dans le cadre du processus de formation. Les simulateurs doivent indiquer très clairement quand une opération a échoué, pourquoi elle a échoué et comment cet échec s’est produit. Ces informations peuvent être utilisées comme entrées dans l'outil de formation, aidant à enseigner au modèle où des erreurs peuvent se produire et lui permettant de trouver des signes de l'erreur. Par exemple, un simulateur utilisé pour entraîner un modèle du Projet Bonsai afin de contrôler un système de bagages dans un aéroport pourrait indiquer comment un fonctionnement trop rapide des convoyeurs entraînerait la chute des bagages, et un fonctionnement trop lent pourrait provoquer des goulots d'étranglement. Le système apprend alors à trouver une vitesse optimale pour un débit maximal de sacs.

Il existe un lien étroit entre Project Bonsai et les systèmes de contrôle, en particulier ceux qui tirent parti de la théorie moderne du contrôle pour gérer les systèmes dans un ensemble de limites. Pour fonctionner correctement avec les modèles ML, un simulateur doit donner une bonne image de la façon dont l'objet ou le service simulé répond aux entrées et fournit les sorties appropriées. Vous devez être capable de définir un état de départ spécifique, permettant au simulateur et au modèle ML de s'adapter aux conditions changeantes. Les entrées doivent être quantifiées afin que votre système ML puisse apporter des modifications discrètes au simulateur, par exemple en accélérant notre système de bagages simulé de 1 m/s.