Après une phase de découverte ébahie des capacités de l’intelligence artificielle générative, qui a ouvert les esprits et préparé le terrain à une adoption massive, les entreprises passent à l’étape de l’intégration pour certaines, ou à des projets à plus ou moins court terme pour d’autres. « L’intelligence artificielle se trouve à un point d’inflexion, estime Nayur Khan, partner chez McKinsey. L’IA générative a capté l’imagination du grand public et des entreprises. Les organisations qui sont prêtes à apprendre et à adapter en permanence leurs processus, leurs méthodes de travail et leur technologie pour industrialiser l’intelligence artificielle parviendront à se doter des moyens nécessaires pour tirer parti de l’IA à grande échelle et en libérer la valeur. »
De fait, les acteurs de ce marché (fournisseurs d’applications, de services et de matériel) se structurent à travers des partenariats et en créant des écosystèmes pour la phase suivante : l’industrialisation des larges modèles de langage dans les entreprises, ceci quel que soit leur niveau de maturité dans l’IA. Les dernières annonces indiquent une intensification des développements et des partenariats afin de mettre en place les offres groupées pour accélérer le déploiement des applications d’IA et de ML par les entreprises.
IDC : 60 % des entreprises auront mis en œuvre le MLOps d’ici 2024
Par conséquent, le marché des outils MLOps se développe rapidement, car de plus en plus d’entreprises l’adoptent pour une gamme d’applications diverses. Outre les outils MLOps traditionnels, la tendance est de plus en plus aux produits intégrés comprenant à la fois du matériel et des logiciels. Ces produits groupés peuvent faciliter le déploiement d’applications d’IA et de ML par les organisations, car ils fournissent une solution complète optimisée pour des cas d’utilisation spécifiques. Les exemples abondent, comme l’initiative Nvidia AI Entreprise ou la sortie de l’interface unifiée Google BigQuery Studio.D’après McKinsey, « les investissements dans les entreprises de l’espace d’industrialisation du ML ont atteint un sommet de 4,7 milliards de dollars en 2021 et sont restés solides tout au long de 2022, avec un montant cumulé de 3,4 milliards de dollars ». La dynamique semble enclenchée, car, « avec les investissements qui affluent, les décideurs en ML ont également doublé leurs engagements : 85 % des personnes interrogées dans le cadre d’une enquête de ClearML ont indiqué qu’elles disposaient d’un budget MLOps dédié en 2022 ». De son côté, IDC prévoit que 60 % des entreprises auront mis en œuvre des MLOps d’ici 2024.
« De tels investissements pourraient s’avérer judicieux, car nos propres recherches révèlent que les entreprises qui perçoivent des rendements plus élevés de l’IA sont plus susceptibles de s’engager dans l’industrialisation de la ML », affirme McKinsey.
Mettre en place de nouvelles pratiques est nécessaire
De plus, les offres intégrées permettent une incorporation plus facile dans les environnements distribués, multicloud. Une autre tendance notable est celle du recours aux outils open source, car ceux-ci facilitent l’adoption de ces technologies par les entreprises, qui n’ont pas besoin d’investir dans des logiciels propriétaires.Toutefois, prévient McKinsey, « l’industrialisation de l’apprentissage machine et le processus qui consiste à rendre ces applications évolutives, fiables et maintenables dans les environnements de production, implique un ensemble de pratiques d’ingénierie, telles que la préparation des données, l’entraînement des modèles, le déploiement des modèles et la surveillance des modèles ».
En somme, cela nécessite de mettre en place de nouvelles pratiques et de changer les façons de travailler, car MLOps nécessite une collaboration étroite entre les équipes techniques, les équipes métier et les équipes de gestion. Il peut être difficile pour les entreprises de faire évoluer leur culture d’entreprise pour favoriser cette collaboration. Bonne nouvelle : les outils MLOps sont justement conçus pour aider les organisations à automatiser ces pratiques et à améliorer l’efficacité de leurs pipelines de données
pour le ML.
