Oracle lance son service cloud de data science
Oracle a annoncé mercredi le lancement du nouveau service “Cloud Infrastructure Data Science”, un service natif sur Oracle Cloud Infrastructure, conçu pour permettre à des équipes de data scientists de collaborer au développement, au déploiement et à la maintenance de modèles de machine learning.
Alors qu’Oracle étend l’empreinte de son Cloud “deuxième génération”, le nouveau service vise à surpasser les services que d’autres fournisseurs de Cloud public proposent déjà – et les problèmes que rencontrent les data scientists dans leur quotidien.
« L’un des problèmes traditionnels dans la data science, et je pense que c’est encore ce que l’on voit généralement dans presque toutes les organisations, est que les data scientists travaillent vraiment dans des silos, de manière isolée », a déclaré à ZDNet Greg Pavlik, vice-président d’Oracle pour le développement des produits, données et services d’IA. « L’objectif du service est de les rassembler en équipe, dans un environnement collaboratif, leur permettant de travailler ensemble et de permettre aux organisations de suivre leur travail… sans créer d’obstacles aux data scientists ». Fournir aux clients une plateforme complète de data science est une partie “critique” de la stratégie cloud d’Oracle, ajoute-t-il. Oracle possède déjà l’une des plus grandes entreprises mondiales de SaaS, explique-t-il, ainsi qu’un élan significatif avec les clients de base de données qui passent au Cloud.
Rendre la data science plus collaborative
« Dans les deux cas, l’exploitation de ces données pour guider les décisions commerciales, soit dans l’application, soit dans les bases de données individuelles elles-mêmes, est l’une des premières choses que les clients essaient de faire » précise Greg Pavlik. D’autres fournisseurs de Cloud computing public proposent des outils visant à rendre la data science plus collaborative. Google, par exemple, a introduit Kubeflow Pipelines et son Hub AI pour maximiser l’impact de la data science dans une organisation.
Greg Pavlik affirme que le nouveau service d’Oracle se distingue par l’accent qu’il met sur le travail en équipe. Les chief data officers et les DSI « se demandent comment faire pour que leurs équipes soient efficaces. Comment rendre ces équipes responsables, comment s’assurer de comprendre que les data scientists construisent des données qu’ils peuvent réellement exploiter ? Tout cela fait partie intégrante du service ».
Les capacités clés des nouveaux services peuvent être classées en quatre catégories, ajoute-t-il. Premièrement, il offre un espace de collaboration pour l’exploitation des données, l’expérimentation du machine learning et le model training. Ensuite, cela inclut ce qu’Oracle appelle une « boîte à outils de data science accélérée ». La bibliothèque native de Python offre de multiples capacités clés, telles que l’accès aux ressources sous-jacentes du Cloud, ainsi que des outils de productivité comme des capacités de visualisation avancées. Elle inclut également l’auto ML d’Oracle – des capacités qui permettent aux data scientists d’automatiser largement la sélection et l’optimisation des modèles.
Partage de modèle
La boîte à outils comprend également des capacités d’explication de modèles, permettant aux utilisateurs d’expliquer quels ensembles de données et quelles entrées sont à l’origine des résultats d’un modèle. « Il est très important de pouvoir expliquer franchement ce qui motive ces décisions au niveau de la branche d’activité », explique Greg Pavlik. « Mais dans les entreprises réglementées dans des domaines où les exigences de gouvernance sont strictes, il faut aussi pouvoir expliquer pourquoi les décisions sont prises. »
La troisième composante du service Data Science est un catalogue de modèles grâce auquel un spécialiste de data science peut mettre des modèles à la disposition d’autres utilisateurs, notamment d’autres spécialistes, des analystes commerciaux ou des développeurs d’applications. « Toute personne qui essaie d’utiliser ces modèles pour prendre des décisions commerciales, ou pour établir des rapports ou des applications logiques, peut très simplement consommer le modèle et l’intégrer dans son propre contexte sans avoir à posséder des compétences ou des connaissances spécialisées en matière de machine learning ».
Enfin, le service propose le déploiement de modèles dans un contexte de services vaguement couplés. Les utilisateurs peuvent contrôler l’efficacité d’un modèle et mettre à jour sans perturber l’application ou les consommateurs du modèle. « Ce paradigme correspond à une pratique émergente sur la façon de gérer le cycle de vie complet d’un modèle de machine learning », conclut Greg Pavlik.
Source : ZDNet.com
