AI News a rencontré Piero Molino, PDG et co-fondateur de Prédibaseau cours de cette année Salon de l'IA et du Big Data pour discuter de l'importance du low-code dans l'apprentissage automatique et des tendances dans les LLM (Large Language Models).
À la base, Predibase est une plateforme d'apprentissage automatique déclarative qui vise à rationaliser le processus de développement et de déploiement de modèles d'apprentissage automatique. L'entreprise a pour mission de simplifier et de démocratiser l'apprentissage automatique, en le rendant accessible à la fois aux organisations d'experts et aux développeurs qui débutent dans le domaine.
La plate-forme dote les organisations d'experts internes, leur permettant de renforcer leurs capacités et de réduire les délais de développement de plusieurs mois à quelques jours. De plus, il s'adresse aux développeurs qui souhaitent intégrer l'apprentissage automatique dans leurs produits mais qui manquent d'expertise.
En utilisant Predibase, les développeurs peuvent éviter d'écrire de longues lignes de code d'apprentissage automatique de bas niveau et travailler à la place avec un simple fichier de configuration - connu sous le nom de fichier YAML - qui ne contient que 10 lignes spécifiant le schéma de données.
Predibase atteint la disponibilité générale
Lors du salon, Predibase a annoncé la disponibilité générale de sa plateforme.
L'une des principales caractéristiques de la plate-forme est sa capacité à faire abstraction de la complexité du provisionnement de l'infrastructure. Les utilisateurs peuvent exécuter en toute transparence des tâches de formation, de déploiement et d'inférence sur une seule machine CPU ou évoluer jusqu'à 1000 machines GPU en quelques clics. La plate-forme facilite également l'intégration avec diverses sources de données, y compris les entrepôts de données, les bases de données et les magasins d'objets, quelle que soit la structure des données.
« La plate-forme est conçue pour que les équipes collaborent au développement de modèles, chaque modèle étant représenté sous la forme d'une configuration pouvant avoir plusieurs versions. Vous pouvez analyser les différences et les performances des modèles », explique Molino.
Une fois qu'un modèle répond aux critères de performances requis, il peut être déployé pour des prédictions en temps réel en tant que point de terminaison REST ou pour des prédictions par lots à l'aide de requêtes de type SQL qui incluent des capacités de prédiction.
Importance du low-code dans l'apprentissage automatique
La conversation s'est ensuite déplacée vers l'importance du développement low-code dans l'adoption de l'apprentissage automatique. Molino a souligné que la simplification du processus est essentielle pour une adoption plus large de l'industrie et un retour sur investissement accru.
En réduisant le temps de développement de quelques mois à quelques jours, Predibase abaisse la barrière d'entrée pour les organisations afin d'expérimenter de nouveaux cas d'utilisation et potentiellement débloquer une valeur significative.
« Si chaque projet prend des mois, voire des années, à se développer, les organisations ne seront pas incitées à explorer des cas d'utilisation valables. Abaisser la barre est crucial pour l'expérimentation, la découverte et l'augmentation du retour sur investissement », déclare Molino.
"Avec une approche low-code, les temps de développement sont réduits à quelques jours, ce qui facilite l'essai de différentes idées et la détermination de leur valeur."
Tendances des LLM
La discussion a également abordé l'intérêt croissant pour les grands modèles de langage. Molino a reconnu l'énorme puissance de ces modèles et leur capacité à transformer la façon dont les gens pensent à l'IA et à l'apprentissage automatique.
"Ces modèles sont puissants et révolutionnent la façon dont les gens envisagent l'IA et l'apprentissage automatique. Auparavant, la collecte et l'étiquetage des données étaient nécessaires avant de former un modèle d'apprentissage automatique. Mais maintenant, avec les API, les gens peuvent interroger directement le modèle et obtenir des prédictions, ouvrant de nouvelles possibilités », explique Molino.
Cependant, Molino a souligné certaines limites, telles que le coût et l'évolutivité des modèles de tarification par requête, les vitesses d'inférence relativement lentes et les préoccupations concernant la confidentialité des données lors de l'utilisation d'API tierces.
En réponse à ces enjeux, Predibase met en place un mécanisme qui permet aux clients de déployer leurs modèles dans un cloud privé virtuel, garantissant la confidentialité des données et offrant un meilleur contrôle sur le processus de déploiement.
Erreurs courantes
Alors que de plus en plus d'entreprises s'aventurent dans l'apprentissage automatique pour la première fois, Molino a partagé ses idées sur certaines des erreurs courantes qu'elles commettent. Il a souligné l'importance de comprendre les données, le cas d'utilisation et le contexte commercial avant de plonger tête première dans le développement.
"Une erreur courante consiste à avoir des attentes irréalistes et un décalage entre ce qu'ils attendent et ce qui est réellement réalisable. Certaines entreprises se lancent dans l'apprentissage automatique sans comprendre pleinement les données ou le cas d'utilisation, à la fois techniquement et d'un point de vue commercial », explique Molino.
Predibase relève ce défi en proposant une plateforme qui facilite les tests d'hypothèses, intégrant la compréhension des données et la formation de modèles pour valider l'adéquation des modèles à des tâches spécifiques. Avec des garde-corps en place, même les utilisateurs moins expérimentés peuvent s'engager dans l'apprentissage automatique en toute confiance.
Le lancement de la disponibilité générale de la plateforme de Predibase marque une étape importante dans leur mission de démocratisation de l'apprentissage automatique. En simplifiant le processus de développement, Predibase vise à libérer tout le potentiel de l'apprentissage automatique pour les organisations et les développeurs.
Vous pouvez regarder notre interview complète avec Molino ci-dessous:
Vous voulez en savoir plus sur l'IA et le Big Data auprès des leaders de l'industrie ? Vérifier Salon de l'IA et du Big Data se déroulant à Amsterdam, en Californie et à Londres. L'événement est co-localisé avec Semaine de la transformation numérique.
Source