Quatre plateformes de deep learning no code à la loupe

Déjà bien présent dans l'IA, le développement sans code investit le terrain des réseaux de neurones artificiels. Tour d'horizon de quelques outils positionnés dans ce domaine.

L'intelligence artificielle n'échappe pas à la vague du no code, avec des outils de développement qui se multiplient depuis quelques années déjà. Le défi ? Mettre le machine learning, jusqu'ici réservé aux data scientists, à la portée des data analysts et autres experts business. Analytics prédictif, plateforme de bots, reconnaissance de texte… Le no code gagne de nombreux domaines de l'IA. Il investit aussi le champ du deep learning et des réseaux de neurones profonds. Le JDN a sélectionné quatre solutions positionnées dans ce domaine.

Apple Create ML : un outil pour tous

Create ML est une solution de machine learning sans code conçue par Apple pour les utilisateurs de MacOS. Sa particularité est de cibler le grand public. Nul besoin d'être développeur ou data scientist pour l'utiliser. Elle permet d'entrainer des réseaux de neurones à reconnaître des images, des sons ou des textes. Basé sur la même technologie que les applications Siri ou Photo, Create ML s'adosse au framework de machine learning d'Apple : Core ML. Il est équipé d'une console graphique taillée pour évaluer la performance des modèles au fur et à mesure de leur apprentissage. Pour exécuter le processus de learning, Apple fournit de la puissance de calcul graphique (GPU) en mode cloud si besoin. En bout de course, les modèles pourront être déployés sur macOS, mais aussi sur iOS, iPadOS et tvOS.

Create ML cible le grand public. © JDN / Capture

H2O Hydrogen Torch : un outil pour les citizen data scientists

Edité par l'américain H2O, H2O Hydrogen Torch est une plateforme no code qui se veut exclusivement centrée sur le développement et le déploiement de réseaux de neurones artificiels. Sous le capot se cache toute une pléiade de technologies open source de référence : PyTorch, TorchVision, MLFlow, Scikit-Learn, etc. "Les utilisateurs novices peuvent démarrer rapidement en choisissant uniquement les paramètres les plus importants d'un réseau, tandis que les experts pourront activer un large éventail de méthodes d'apprentissage", explique-t-on chez H2O. D'un bout à l'autre, l'utilisateur garde la main sur le process de machine learning et le réglage des paramètres. En aval, les modèles sont automatiquement packagés en vue d'être mis en production. Les cas d'usage ciblés ? Le traitement automatique du langage et la reconnaissance d'image.

H2O Hydrogen Torch cible les data scientists novices comme les data scientists confirmés. © JDN / Capture

Obviously AI : un outil d'auto ML

Obviously AI présente son offre comme une plateforme cloud de machine learning automatisé. Cette société de San Francisco n'hésite pas à qualifier, en plus, sa solution de "no code". A partir d'un data set donné (un fichier .csv par exemple), l'application choisira automatiquement un algorithme se voulant adapté à la prédiction recherchée : modèle de régression, arbre de décision, forêt aléatoire... Aux côtés des algorithmes statistiques, Obviously AI pourra également se tourner vers un réseau de neurones, notamment s'il s'agit de reconnaitre des images ou de gérer des tâches de NLP (natural language processing). En bout de course, Obviously AI permet de partager le modèle par le biais d'un simple lien ou d'une API.

Obviously AI présente son offre comme une plateforme cloud de machine learning automatisé. © JDN / Capture

Clarifai : un outil pour la vision par ordinateur

Spécialisé dans la reconnaissance d'image, Clarifai articule son offre, à l'instar d'Obviously AI, autour d'une plateforme de machine learning automatisé. Sa principale valeur ajoutée ? Une bibliothèque de modèles pré-entrainés. Ces derniers recouvrent des problématiques de vision par ordinateur diverses : détection de logos, reconnaissance faciale, de véhicules, de vêtements... Ils s'étendent aussi au NLP, depuis la simple classification de texte jusqu'à l'analyse de sentiment. "Ces modèles pré-entraînés permettent d'identifier les biais et les échantillons déséquilibrés dus au suréchantillonnage ou à l'intégration de données contraires aux réglementions", souligne-t-on chez Clarifai. "Nos modèles démographiques par exemple identifient l'âge, le sexe et l'apparence multiculturelle pour vous aider à repérer les déséquilibres dans ces différents domaines."

Clarifai est équipé d'une bibliothèque de modèles pré-entrainés. © JDN / Capture

Méthodologie : les solutions présentées ci-dessus ont été sélectionnées par la rédaction du JDN. Il ne s'agit pas d'une présentation exhaustive des outils de deep learning no code du marché.