Si la machine pensante est un concept existant depuis l’antiquité, sa mise en pratique est liée au développement de l’Intelligence Artificielle dans les années 50. Le Machine Learning peut être défini comme la technologie permettant aux ordinateurs d’apprendre de nouvelles choses et d’évoluer en exploitant des données, une masse de données précisément, communément appelée Big Data. Pour rappel, le DevOps est une approche combinant les métiers des développeurs (Devs) et de l’exploitation ou Operators en anglais (Ops) dans le but de délivrer des applicatifs en continu et de manière agile. Aujourd’hui, les data scientists et data analysts veulent faire passer le DevOps au niveau supérieur : place au MLOps et au DataOps !
Le DataOps rend le DevOps has been ?
Aussitôt apparu, aussitôt désuet ? Le concept DevOps a révolutionné lors de la décennie écoulée, l’art et la manière de développer et déployer des applications et logiciels en répondant aux exigences du marché, notamment en termes de rapidité, de réactivité et de fiabilité. Ces dernières années, le DevOps a peu à peu endossé le costume de nouveau standard à adopter pour les équipes IT de toute organisation se voulant compétitive et efficiente. Cependant, les data scientists commencent à pointer du doigt les limites du DevOps. Appliqué à un projet autour du data, le DevOps montre des lacunes et nécessite selon eux, l’intégration de quelques principes déterminants relatifs au Machine Learning.
Quel outil pour faire du DevOps à la sauce Machine Learning ?
Le MLOps est donc l’adaptation du DevOps au Machine Learning (ML). Côté humain, il s‘agit de faire collaborer étroitement les data scientists et les équipes IT. Néanmoins, ces affirmations simplistes sont aux antipodes de la complexité du concept MLOps. D’une part, mettre en place un concept tout neuf, donc pas encore bien défini, n’est pas une mince affaire et d’autre part, la gestion d’un véritable système Machine Learning reste compliqué. À ce stade, nous sommes encore en quête du meilleur outil permettant de faire du MLOps correctement. Développé dans les locaux de Netflix avant d’être mis en ligne en open source, Metaflow a été l’outil le plus prometteur, et open-source, avant l’avènement du MLOS ou Machine Learning Open Studio.
DataOps au service de la transformation numérique
Le concept de DataOps fait quant à lui référence à l’orchestration des personnes, processus et outils utilisés pour la fourniture rapide de données à haute valeur ajoutée, fiables et de qualité. Cette pratique étant présente tout au long du cycle de vie des données, de leur préparation à leur suivi et analyse. Également inspirée du DevOps, le DataOps concilie l’exploitation (Ops) aux missions des équipes de traitement des données, data analysts et data scientists (Data). Le but étant d’améliorer la qualité des données et de passer en temps réel. Cette configuration n’est pas non plus des plus faciles à mettre en place. Contrairement au MLOps, on ne peut pas parler d’outils à proprement parler concernant le DataOps mais d’une chaine d’applicatifs complexes.
Le Machine Learning ainsi que le Big Data sont intimement liés dans la mesure où les données permettent à la machine d’apprendre en automatisant l’analyse de données. C’est la capacité à analyser une vaste quantité de données par seconde qui permet à l’Intelligence Artificielle d’avancer concrètement. A condition, à l’instar de ce qu’implique une stratégie DevOps, de casser les silos de données, pour que les outils et environnement exploités soient accessibles à toutes les équipes.
Une bonne plateforme DataOps associée à la stratégie idoine, permettra d'améliorer les délais de commercialisation de solutions numériques, boostera l’innovation tout en réduisant le risque commercial et en diminuant les coûts opérationnels. What else ?
