Former la prochaine génération d'ingénieurs en apprentissage automatique et en intelligence artificielle

Dans un épisode récent du podcast « Augmented Ops », nous avons abordé en détail l’IA appliquée et le rôle de l’éducation avec le Dr Jay Lee, directeur du Centre d’IA industrielle de l’université du Maryland. Intitulée «Repenser notre approche de l’IA », cette discussion avec le Dr Lee explore la valeur que Apprentissage machine l’IA peuvent apporter aux opérations de terrain, ainsi que la manière dont nos programmes éducatifs doivent s’adapter afin de former la prochaine génération d’ingénieurs spécialisés en IA et en apprentissage automatique.

Fort d’une vaste expérience dans les secteurs de l’industrie, des pouvoirs publics et du monde universitaire, le Dr Lee explique comment mettre en œuvre Apprentissage machine pour résoudre des problèmes concrets, et en quoi notre approche actuelle de l’enseignement de l’IA et du ML est défaillante. Il souligne la nécessité de mettre en place de nouveaux programmes de formation — à l’image de celui qu’il développe actuellement au Centre d’IA industrielle de l’UMD — afin de former le nombre d’ingénieurs nécessaire pour répondre à la demande croissante du secteur manufacturier.

Le Dr Lee présente un cadre permettant de créer de la valeur grâce à l’IA en l’appliquant à la résolution de problèmes opérationnels concrets. Ce cadre repose sur trois axes : la technologie, les outils et les compétences. Tout d’abord, la technologie constitue le fondement d’une solution d’IA/ML. À mesure que Apprentissage machine et techniques Apprentissage machine disponibles se perfectionnent et que de nouvelles voient le jour, elles peuvent ouvrir la voie à de nouvelles façons d’aborder les problèmes ou de rendre les anciennes méthodes plus efficaces. Par exemple, le développement des modèles « Transformer » (proposés pour la première fois en 2017) a permis des améliorations significatives des performances dans le traitement du langage naturel (NLP) et d’autres tâches.

Ensuite, il vous faut des outils permettant aux utilisateurs de tirer parti de cette technologie et de résoudre des problèmes grâce à elle. Par exemple, bien qu’il existât déjà diverses technologies pour les tâches de traitement du langage naturel (telles que les modèles « Transformer » GPT-1, 2 et 3 d’OpenAI), celles-ci n’avaient pas été largement adoptées par le grand public. Ce n’est qu’après le lancement par OpenAI de ChatGPT — qui offrait une interface intuitive permettant d’interagir avec ces modèles existants — que cette technologie a pu être mise à la disposition du grand public et que celui-ci a pu l’utiliser à grande échelle.

Enfin, il vous faut des talents capables de tirer parti de ces outils et de les utiliser pour résoudre leurs problèmes. Comme l’explique le Dr Lee, « le plus grand défi ne réside pas dans la technologie de l’IA, mais dans les talents ». Par exemple, bien que ChatGPT soit désormais largement accessible, son utilisation optimale nécessite des compétences spécifiques, notamment en matière d’ingénierie des prompts et de compréhension du fonctionnement du modèle sous-jacent. Or, le Dr Lee fait valoir que nos paradigmes éducatifs actuels ne sont pas conçus pour favoriser le développement des compétences nécessaires afin de répondre à la demande en ingénieurs spécialisés dans l’apprentissage automatique et l’IA.

Le Dr Lee explique ensuite comment n'importe qui peut être formé pour devenir un ingénieur compétent en apprentissage automatique et en intelligence artificielle, et expose sa vision de la manière dont un programme de formation devrait être structuré pour y parvenir. Son approche repose sur quatre étapes : l'apprentissage fondé sur les principes, l'apprentissage pratique, l'apprentissage par projet et l'apprentissage professionnel.

L'apprentissage fondé sur les principes constitue la première étape, et la plus fondamentale : les étudiants y acquièrent les concepts essentiels de Apprentissage machine de l'intelligence artificielle. Cela peut se faire soit par le biais d'un apprentissage autonome, soit en s'inscrivant à une formation qui enseigne ces notions fondamentales.

Vient ensuite l’apprentissage par la pratique. Comme l’explique le Dr Lee, il fournit à ses étudiants des ensembles de données réels, collectés dans l’ensemble du secteur au fil de nombreuses années, créant ainsi un environnement réaliste dans lequel ils peuvent perfectionner leurs compétences. Selon le Dr Lee, cette phase est « la plus importante ». Au cours de cette phase d’apprentissage par la pratique, les étudiants sont chargés d’appliquer les concepts qu’ils ont précédemment appris pour résoudre les problèmes présentés dans les données. Étant donné que le problème en question a déjà été résolu, ces ensembles de données servent de référence pour évaluer les performances des étudiants.

Vient ensuite l’apprentissage par projet. Comme l’explique le Dr Lee, cela consiste pour les étudiants à se rendre dans « un véritable environnement de production » et à collecter des données afin de constituer leurs propres ensembles de données, à partir desquels ils peuvent mettre leurs compétences à l’épreuve. Une fois que les étudiants ont démontré leur capacité à résoudre de manière cohérente des problèmes concrets sur le lieu de travail, en mettant en pratique ce qu’ils ont appris, ils peuvent alors passer à l’étape finale.

L’apprentissage par la pratique constitue la dernière étape du parcours menant au statut d’ingénieur expert en IA/ML, et la réussir témoigne d’une véritable maîtrise des concepts et des outils que les étudiants ont acquis jusqu’à ce stade. Cette phase finale consiste à accompagner d’autres étudiants tout au long des trois premières étapes et à jouer le rôle de formateur. « Il faut être capable d’agir comme un “master black belt” [en Lean Six Sigma] », explique le Dr Lee.

Toutefois, afin de répondre à la demande en forte croissance du secteur, le Dr Lee précise que ces efforts de formation doivent être menés à très grande échelle. « Tel est notre objectif : former 10 000 ingénieurs en 10 ans », explique-t-il. Pour atteindre cet objectif, le Dr Lee définit les trois piliers fondamentaux de sa stratégie : former des ingénieurs à grande échelle, rapidement et de manière systématique.

Pour le Dr Lee, l’échelle est déterminante. « Il faut mettre en place une formation à grande échelle », explique-t-il, « pas pour une seule [personne], mais pour 1 000, voire 10 000 personnes ». Sans une telle ampleur, nous risquons de ne pas disposer d’un nombre suffisant de candidats qualifiés pour répondre aux besoins de l’industrie, surtout compte tenu de l’importance croissante accordée à la production nationale. La rapidité d’exécution de ces initiatives est tout aussi cruciale pour leur réussite. « On ne peut pas se contenter d’apprendre l’IA au coup par coup », affirme le Dr Lee, « il faut développer l’IA, la tester et la mettre en œuvre en deux jours. » Ce modèle d’apprentissage rapide garantit que les étudiants se familiarisent rapidement avec les technologies et méthodologies actuelles, ce qui les rend aptes à l’emploi en beaucoup moins de temps qu’il n’en faut habituellement.

La mise en œuvre systématique de cette formation est également essentielle à la réussite de sa stratégie. L’enseignement traditionnel du ML et de l’IA est compliqué par le fait que les modèles utilisés par les étudiants ne sont pas toujours cohérents entre eux. Cela signifie qu’un étudiant peut identifier un problème dans une situation donnée, tandis qu’un autre, utilisant exactement le même modèle, pourrait ne pas le faire. Il en résulte une plus grande difficulté à évaluer avec précision les performances des étudiants. Le Dr Lee explique qu’« il faut disposer d’une méthode cohérente pour prendre des décisions » afin de pouvoir évaluer de manière systématique les progrès des étudiants. Grâce à ces trois principes, il estime que le monde universitaire sera en mesure de former avec succès le nombre d’ingénieurs dont l’industrie manufacturière a besoin.