Caractéristiques des charges de travail de détection des anomalies
| Charge de travail | Description |
|---|---|
| Détection d’anomalies | Détecter automatiquement des erreurs ou des activités présentant un caractère inhabituel. |
| Vision par ordinateur | Analyser et interpréter l’environnement à partir de contenus visuels issus de caméras, de vidéos ou d’images. |
| Traitement du langage naturel | Comprendre le langage écrit ou oral et formuler des réponses adaptées. |
| Extraction de connaissances | Extraire des informations à partir de volumes importants de données, le plus souvent non structurées. |
ML fonctionne à partir de données. Microsoft Azure propose le service Machine Learning qui propose les fonctionnalités suivantes : - Gestion des données et des calculs - Concepteurs Azure Machine Learning : interface graphique de service ML sans code - Pipelines : orchestrateur de tâches d'entrainement, de déploiement et de gestion des modèles de ML - Machine Learning automatisé : assistant permettant de créer rapidement un modèle de ML à partir de données
Détecteur d'anomalie : service IA. Surveillance des données / analyse et détection de changement ou de valeurs hors normes.
Détecteur d'anomalies multivariés : permet de détecter des anomalies à partir de groupes de métriques
Grâce à eux , on est davantage concentré sur la résolution des anomalies que sur leur détection.
Service de reconnaissance d'objets : vision par ordinateur
Seeing AI : permettre aux personnes malvoyantes de "voir" au travers d'un smartphone : - Détection et reconnaissance des couleurs - Détection et reconnaissance des formes / objets - Détection de la luminosité
NLP : traite de la compréhension du langage parlé et écrit. Ex : détection de spams, bots Exemple pratique : application mobile Tilien. Permet de discuter pour obtenir des informations sur le réseau Tansilien.
Charge de travail d'exploration des connaissances
Service de recherche cognitif d'Azure Exploration des connaissances (connexion à des sources de données, intégration, enrichissement, exploration) Créer dans Azure une ressource de type Service de recherche permettant l'exploration des connaissances.
Impartialité dans les services d'IA
Guidé par 6 principes : équité, fiabilité et sécurité, confidentialité, inclusivité, transparence et responsabilité. Ils permettent de garantir que les conditions des applications d'intelligence artificielle fournissent des solutions sans conséquences négatives pour les personnes.
Equité
Equité : décision par l'IA sans discrimination => Microsoft fournit de la doc sur ce sujet FairLearn est un outil qui aide à qualifier l'équité / l'impartialité de services IA. ml.azure.com : liste des modèles.
Fiabilité et sécurité
Fonctionner comme prévu quelque soit la situation. Composant d'analyse des erreurs (Error Analysis - erroranalysis.ai) permet d'identifier les cohortes (sous-ensembles de données) ayant des taux d'erreurs élevés.
Confidentialité - Sécurité
Etre transparent sur la collection, l'utilisation et le stockage des données. Les utilisateurs doivent choisir comment leur données sont utilisées. Machine Learning permet ces contrôles et sécurise les données. Pour renforcer : Smart Noise - confidentialité différentielle, OpenDP - gestion des confidentialité, Counterfit - simuler cyber attaque contre les services d'IA -
Inclusivité
Tout le monde doit pouvoir utiliser les solutions IA, même les personnes avec un handicap.
Microsoft Inclusive Design (https://inclusive.microsoft.design): méthodologie pour gérer l'inclusion dans les solutions IA.
Transparence
Un système doit être compréhensible. Les utilisateurs doivent comprendre les services proposés par l'IA.
Ex : aide IA pour prendre un décision. L'utilisateur veut comprendre comment la décision a été prise.
Dans Azure Machine Learning : - Un composant d'interopérabilité de modèle fournit une vue du comportement du modèle, avec des explications. - Un composant de simulation contrefactuelle pour comprendre et déboguer un modèle ML
Ces composants aide à l'audit. Il existe aussi : + InterpretML : comprendre l'algorithme modèle ML suivant différentes techniques
Responsabilité
Repecter les normes éthiques et juruduques.
L'humain conserver un contrôle sur un système IA autoonome. MS Responsible AI Standard : document fournit par MS - liste de best practices -
MLOps (Machine Learning Operations) : capturer les données de gouvernance des données + traçabilité et surveillance