Former la prochaine génération d'ingénieurs ML/AI

Dans un récent épisode du podcast Augmented Ops, nous avons plongé dans l'IA appliquée et le rôle de l'éducation avec Jay Lee, directeur de l'Industrial AI Center à l'Université du Maryland. Intitulée"Repenser notre approche de l'IA", la discussion avec le Dr Lee explore la valeur que Apprentissage machine et l'IA peuvent apporter aux opérations de première ligne, et la façon dont nos programmes éducatifs doivent s'adapter pour former la prochaine génération d'ingénieurs en IA et en ML.

Fort d'une vaste expérience dans l'industrie, le gouvernement et le monde universitaire, M. Lee explique comment appliquer les outils Apprentissage machine pour résoudre les problèmes du monde réel, et ce qui ne va pas dans notre approche actuelle de l'enseignement de l'IA/ML. Il souligne la nécessité de mettre en place de nouveaux programmes éducatifs - comme celui qu'il est en train de créer au centre d'IA industrielle de l'UMD - pour former le nombre d'ingénieurs nécessaires pour répondre à la demande croissante de l'industrie manufacturière.

M. Lee présente un cadre permettant de créer de la valeur grâce à l'IA en l'appliquant à la résolution de problèmes opérationnels réels. Ce cadre comporte trois volets : la technologie, les outils et les talents. Tout d'abord, la technologie sert de base à une solution d'IA/ML. Au fur et à mesure que les technologies et techniques disponibles sur le site Apprentissage machine s'affinent et que de nouvelles sont développées, elles peuvent ouvrir de nouvelles voies pour résoudre les problèmes ou rendre les anciennes méthodes plus efficaces. Par exemple, le développement de modèles de transformation (proposés pour la première fois en 2017) a permis d'améliorer considérablement les performances du traitement du langage naturel (NLP) et d'autres tâches.

Ensuite, vous avez besoin d'outils qui permettent aux gens de tirer parti de la technologie et de résoudre des problèmes à l'aide de cette technologie. Par exemple, bien qu'il y ait eu une variété de technologies disponibles pour les tâches NLP (telles que les modèles de transformateurs GPT-1, 2 et 3 d'OpenAI), elles n'ont pas fait l'objet d'une adoption généralisée par le public. Ce n'est qu'une fois qu'OpenAI a lancé ChatGPT - qui fournit une interface intuitive pour interagir avec ces modèles existants - qu'elle a pu mettre cette technologie entre les mains du grand public et lui permettre de l'utiliser à grande échelle.

Enfin, vous avez besoin de talents capables de tirer parti de ces outils et de les utiliser pour résoudre leurs problèmes. Comme l'explique M. Lee, "le plus grand défi n'est pas la technologie de l'IA, c'est le talent". Par exemple, bien que ChatGPT soit aujourd'hui largement accessible, il nécessite des talents spécifiques sous la forme d'une ingénierie rapide et d'une compréhension du fonctionnement du modèle sous-jacent afin de pouvoir utiliser l'outil de la manière la plus efficace possible. Cependant, le Dr Lee affirme que nos paradigmes éducatifs actuels ne sont pas conçus pour soutenir le développement des talents nécessaires pour répondre à la demande d'ingénieurs en ML/AI.

M. Lee explique ensuite comment n'importe qui peut être formé pour devenir un ingénieur ML/AI efficace, et expose sa vision de la manière dont un programme d'études devrait être structuré pour y parvenir. Son approche repose sur quatre étapes : l'apprentissage fondé sur les principes, la pratique, le projet et la profession.

L'apprentissage fondé sur les principes est la première étape, la plus fondamentale, au cours de laquelle les étudiants apprennent les concepts fondamentaux de Apprentissage machine et de l'IA. Cela peut se faire soit par l'auto-apprentissage, soit en s'inscrivant à un cours qui enseigne ces principes fondamentaux.

Vient ensuite l'apprentissage basé sur la pratique. Comme l'explique M. Lee, il fournit à ses étudiants des ensembles de données réelles qui ont été collectées dans l'industrie au cours de nombreuses années, créant ainsi un environnement réaliste dans lequel ils peuvent affiner leurs compétences. Selon le Dr Lee, cette phase est "la plus importante". Dans cette phase d'étude basée sur la pratique, les étudiants sont chargés d'appliquer les concepts qu'ils ont appris précédemment 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 les performances des étudiants.

Vient ensuite l'apprentissage par projet. Comme l'explique le Dr Lee, cela implique que les étudiants se rendent dans "un environnement de fabrication réel" et collectent des données pour constituer leurs propres ensembles de données sur lesquels ils peuvent tester leurs capacités. Une fois que les élèves ont démontré leur capacité à résoudre de manière cohérente des problèmes réels dans l'atelier, en utilisant ce qu'ils ont appris, ils peuvent passer à l'étape finale.

L'apprentissage professionnel est la dernière étape du parcours d'un ingénieur expert en IA/ML, et le fait de la franchir avec succès indique une réelle maîtrise des concepts et des outils que les étudiants ont développés jusqu'à ce stade. Cette dernière phase consiste à guider d'autres étudiants à travers les trois premières étapes et à jouer le rôle de professeur. "Vous devez être capable de vous comporter comme une ceinture noire [lean six sigma]", explique M. Lee.

Toutefois, pour répondre à la demande croissante de l'industrie, le Dr Lee précise que ces efforts de formation doivent être déployés à grande échelle. "Notre objectif est de former 10 000 ingénieurs en dix ans", explique-t-il. Pour atteindre cet objectif, le Dr Lee définit les trois piliers de sa stratégie : former des ingénieurs à grande échelle, rapidement et systématiquement.

Pour le Dr Lee, l'échelle est essentielle. "Vous voulez faire de la formation à grande échelle", explique-t-il, "pas une [personne], mais 1 000, 10 000". Sans ce type d'échelle, nous risquons de ne pas avoir suffisamment de candidats qualifiés pour répondre aux besoins de l'industrie, surtout si l'on tient compte de l'importance accrue accordée à la fabrication nationale. La vitesse à laquelle ces efforts sont déployés est tout aussi importante pour leur réussite. "Vous ne pouvez pas vous contenter d'apprendre l'IA de manière ad hoc", affirme M. Lee, "vous devez développer l'IA, la tester et la mettre en œuvre en deux jours". Ce modèle d'apprentissage rapide garantit que les étudiants sont rapidement mis au courant des technologies et des méthodologies actuelles, ce qui les rend aptes à l'emploi en beaucoup moins de temps que ce qui est traditionnellement requis.

L'organisation systématique de la formation est également un élément clé de la réussite de cette stratégie. L'enseignement traditionnel de la ML/AI est compliqué par le fait que les modèles utilisés par les étudiants ne concordent pas toujours. Cela signifie qu'un étudiant peut identifier un problème dans une certaine situation, mais qu'un autre étudiant utilisant exactement le même modèle peut ne pas le faire. Il en résulte que les performances des élèves sont plus difficiles à évaluer avec précision. Le Dr Lee explique que "vous devez avoir une méthode cohérente pour prendre des décisions" afin de pouvoir évaluer systématiquement les performances des élèves. Grâce à ces trois principes, il pense que le monde universitaire sera en mesure de former avec succès le volume d'ingénieurs dont l'industrie manufacturière a besoin.