Projet d’IA : comment choisir le service sur étagère adapté à votre besoin ?

Cet article et les 3 arbres de décision qu’il contient doivent vous permettre de déterminer le service d’Intelligence Artificielle approprié selon votre besoin.

Introduction à la stack AI de Microsoft Azure

L’offre liée à l’Intelligence Artificielle sur Microsoft Azure se découpe actuellement en 3 zones :

• La plateforme de Machine Learning, reposant sur Azure Machine Learning
• Les services, séparés en 2 « sous-zones » :
  • les services cognitifs, eux-mêmes regroupés dans 4 grandes familles (Language, Vision, Speech, Decision)
  • les services dits « d’Intelligence Artificielle appliquée » (Azure Applied AI Services), qui montrent la volonté de Microsoft d’adresser des solutions « métier » au-delà de simples services techniques.

On trouve également des ressources IaaS adaptées à du traitement de charges spécifique à l’IA, comme les machines virtuelles disposant de GPU (VM de type N-series).

Chaque zone de cette stack fait intervenir des profils techniques différents : Data Scientists et ML engineers pour la plateforme ML, développeurs back-end voire citizen developers pour les services cognitifs et applied AI. En effet, le travail à accomplir va être différent. D’un côté, on va créer un modèle de Machine Learning en se basant sur des données, de l’autre on se retrouve consommateur de modèles fournis par Microsoft : on parle alors de « services sur étagère ». Ce sont ces derniers services qui nous intéressent ici.

Pourquoi proposer des arbres de décision ?

L’objectif de la réalisation de ces arbres est de permettre de faire un lien entre besoin fonctionnel et réponse technique. En effet, la stack a fortement évolué au cours de ces cinq dernières années et il devient plus complexe d’identifier quelles sont les fonctionnalités offertes par chaque produit. De plus, certaines fonctionnalités comme la reconnaissance de caractères (OCR) sont présentes dans plusieurs produits, parfois avec des niveaux de détail ou de qualité différents. Nous souhaitions donc fournir une grille de lecture simplifiée.

Comment utiliser ces arbres de décision ?

Nous avons choisi de nous concentrer sur les traitements les plus usités, à savoir ceux prenant en entrée du texte, des images ou des éléments audios. C’est justement le type d’entrée traitée qui va vous permettre de choisir l’arbre à regarder. Ensuite, il suffit de suivre les questions mentionnées dans l’arbre pour aboutir au service cible.

Remarques utiles pour la lecture

Pictogrammes et légendes

Certaines informations sont incluses via des pictogrammes et une légende :

• « Dataset nécessaire » et « Modèle à générer en amont » : ces services sont préentrainés par Microsoft mais nécessitent un complément fourni par l’utilisateur avant de pouvoir utiliser le service (ex : Azure Custom Vision).
• « Préversion » : ces services ne sont pas considérés comme stables pour de la production et peuvent être sujets à modification. Généralement, leur tarification est plus faible que leur future version production.
• « Accès limité » : ces services nécessitent une approbation de Microsoft en amont de leur utilisation, afin de protéger de mauvais emploi des services.

Évolutivité et validité des informations

Les services sont mis à jour régulièrement par Microsoft : ces informations sont valables à la date de la réalisation de cet arbre (octobre 2022).

Nous vous recommandons de suivre l’évolution des services via la documentation des différentes APIs, sur les pages de release notes / roadmap de la documentation ou encore en suivant les annonces des événements Microsoft comme Build et Ignite (voir liens utiles plus bas).

Autres astuces

Il arrive fréquemment qu’un besoin métier ne soit pas réalisable en 1 seul appel de service. Il faut simplement penser à appeler plusieurs services (ou plusieurs opérations d’un même service) les uns à la suite des autres « en série ». Par exemple, pour isoler les données personnelles d’un enregistrement audio, on peut passer par un premier appel de Speech-to-text pour passer de l’audio à du texte, puis appeler l’opération « Personally Identifiable Information (PII) detection » du service Azure Cognitive Service for Language.

Liens utiles

• Exemples d’architectures basées sur ces ressources : Browse Azure Architectures – Azure Architecture Center | Microsoft Learn
• Exemple d’architecture de traitement d’audio : Speech services – Azure Solution Ideas | Microsoft Learn
• Documentation d’API pour la région « France Central » : Cognitive Services APIs Reference (microsoft.com)
• Exemple de release notes de service, ici pour le service Speech : Release notes – Speech Service – Azure Cognitive Services | Microsoft Learn

Vous souhaitez être accompagné dans vos projets d’IA ? Nos experts restent à votre écoute. Contactez-nous !