Aujourd’hui, l’IA a été reconnue comme acteur fondamental de la transformation numérique. Cependant, nous sommes confrontés à un véritable challenge dans le délai de réalisation, entre la création d’un modèle de machine learning et son déploiement. Une enquête de Algorithmia témoigne qu’une entreprise sur deux n’a mis en production aucun de ses modèles en 2019. Ceux qui franchissent cette étape consacrent en moyenne 25% du temps à la seule étape de déploiement. Ce temps pris pour “gérer des sujets d’infrastructure pourrait être davantage utilisé en Data Science”. C’est face à ce challenge que le rôle de MLOpsQu’est-ce que le MLOps ? Le MLOps (Machine Learning Operations) est une culture et un ensemble de pratiques qui visent à industrialiser et automatiser le cycle de vie complet des modèles de Machine Learning. Si vous connaissez le DevOps, qui a rapproché les développeurs (Dev) et les équipes opérati... More est de plus en plus présent en entreprise. Découvrez Vertex AI.
Vertex AI : qu’est-ce que c’est?
Déployer rapidement un modèle robuste et scalable est un travail complexe. C’est pourquoi Google Cloud met au cœur de ses enjeux le MLOps avec la création du service Vertex AI en mai 2021. Il a pour objectif de regrouper tous les outils de Machine Learning proposés par la plateforme et d’accélérer la mise en production des modèles de ML avec la promesse de 80% de lignes de codes en moins.
Figure 1 : Vertex AI solutions
À partir d’un échantillon de données fourni, deux choix s’offrent à nous avec Vertex AI :
- Entraîner un modèle de ML sans écrire de lignes de code.
- Créer un modèle adapté à des besoins exigeants.
Un outil pour développer un modèle simple et le déployer rapidement
La première solution est permise par AutoML. Elle permet à chacun de construire un modèle de machine learning sans expertise technique, que la source de données soit du texte, des images, de la vidéo ou des séries temporelles.
Prenons l’exemple suivant et décrit par la Figure 2. Afin de connaître les opinions sur un grand distributeur en vue d’une prochaine campagne marketing, celui-ci souhaite mettre en place un modèle d’analyse de sentiments sur les réseaux sociaux. Il récolte les tweets qu’il fournit à l’outil AutoML. Ce dernier les stocke dans le service Cloud Storage. Vertex AI identifie alors le type de modèle le plus adapté qu’il entraîne via le jeu de données. Le modèle est testé et validé grâce aux métriques d’évaluation partagées sur Vertex Metadata. Il est ensuite déployé sur Vertex Prediction.
Figure 2 : AutoML Pipeline
Un service pour créer un modèle unique et optimisé
Cet outil permet de développer soi-même un modèle personnalisé et optimisé puis de l’entraîner et de le déployer quel que soit le cas d’usage. Il s’inscrit dans une solution qui existait précédemment : AI Platform. Elle a été complétée par de nombreux services au sein de Vertex AI.
Pour configurer l’environnement de Data ScienceQu'est-ce que la Data Science ? La Data Science, ou science des données, est une discipline interdisciplinaire qui utilise des méthodes scientifiques, des processus, des algorithmes et des systèmes pour extraire des connaissances et des insights à partir de données, qu'elles soient structurées ou no... More, des environnements de notebooks et d’images de machines virtuelles sont proposés avec une forte puissance de calcul (GPU, TPU) : Vertex AI Workbench et Deep Learning VM Images.
Vertex AI permet d’automatiser chacune des étapes du workflow. Chacune des étapes peut être répétée, puis modifiée et réexécutée. Il standardise ainsi le processus de création, de développement, de déploiement et de suivi d’un modèle de machine learning :
Figure 3 : ML workflow
Focus sur les modules qui rendent cette plateforme unique :
- BigQueryML, permet de concevoir un modèle de ML en SQL Standard.
- Vertex Explainable AIQu'est-ce que l'Explainable AI (XAI) ? Si vous travaillez dans la data, vous avez forcément déjà été confronté à l'effet "boîte noire". Vous développez un modèle de Deep Learning ultra-performant, les scores de précision s'envolent, mais au moment de le passer en production, le métier freine des qua... More, apporte une solution pour interpréter un modèle que ce soit une classification ou une régression.
- Vertex AI Vizier, optimise à notre place les hyperparamètres du modèle de ML.
- Vertex AI Pipelines, permet d’automatiser, de surveiller et de gérer nos systèmes de ML en orchestrant notre workflow de ML.
- Vertex AI Model Registry, annoncé lors du dernier Data Cloud Summit, stocke vos modèles de ML. Vous pouvez donc gérer le cycle de vie de vos modèles de ML.
5 éléments clés
Cette nouvelle plateforme de GCP vous offre la possibilité de :
- Construire et fournir un ensemble de données à des fins de prédiction.
- Entraîner, évaluer et optimiser un modèle d’apprentissage automatique.
- Déployer la dernière version du modèle robuste et scalable, validée par ses artefacts.
- Gérer, stocker et suivre un modèle de ML mis en production.
- Partager et utiliser les prédictions dans des applications.
Vertex AI 2024-2025 : l’intégration de Gemini et l’essor des agents IA
Depuis son lancement, Vertex AI a considérablement évolué pour intégrer la révolution de l’IA générativeQu'est-ce que l'IA Générative ? L'IA Générative est une sous-branche de l'IA. Elle se concentre sur la création de nouveaux contenus (textes, images, vidéos...) à partir des données d'entraînement. Les modèles d'IA générative sont capables de générer de nouvelles données similaires aux données sur l... More. En 2024, Google Cloud a ouvert l’accès aux modèles de la famille Gemini directement sur la plateforme, avec notamment Gemini 1.5 Pro, capable de traiter jusqu’à 1 million de tokens de contexte. Cette avancée permet d’analyser des bibliothèques de code entières, de raisonner sur des documents volumineux ou de tenir des conversations longues, ouvrant la voie à de nouveaux cas d’usage jusque-là impossibles avec des modèles à fenêtre de contexte plus limitée. Le Model Garden de Vertex AI s’est également enrichi de modèles tiers, tels que Claude d’Anthropic ou Llama de Meta, offrant aux équipes Data & IA une plus grande liberté de choix selon leurs cas d’usage.
Autre évolution majeure : le lancement, en avril 2024, de Vertex AI Agent Builder. Cet outil permet de construire des agents conversationnels de qualité production, sans nécessairement écrire de code, en s’appuyant sur les modèles Gemini et en les ancrant dans les données propres de l’entreprise (grounding). Il s’accompagne de l’Agent Development Kit (ADK), un framework open-source qui donne aux équipes techniques un contrôle fin sur le comportement des agents, l’orchestration multi-agents et l’usage d’outils externes, ainsi que d’Agent Engine, le runtime managé qui prend en charge le déploiement, la mise à l’échelle et le monitoring des agents en production.
Pour les entreprises, ces avancées se traduisent par des cas d’usage concrets : agents de support client capables de résoudre des requêtes complexes en s’appuyant sur la base de connaissances interne, assistants internes branchés sur les données métier via Vertex AI Search, ou encore automatisation de tâches à forte valeur ajoutée grâce à l’orchestration de plusieurs agents spécialisés. Nous accompagnons nos clients dans l’exploration de ces nouvelles capacités, en particulier pour évaluer la pertinence d’une architecture à base d’agents IA par rapport à un pipeline de Machine Learning plus classique, selon la maturité data et les enjeux métier de chaque organisation.
Chez AVISIA, nous utilisons Vertex AI pour le déploiement de nos modèles. Cela nous fait gagner un temps précieux. Si vous voulez en découvrir davantage ou si vous avez pour projet de déployer une solution de ML, contactez nos experts pour vous accompagner.
