Le cycle de vie d’un modèle IA en 5G

À partir du document 3GPP TR 28.908 version 18.0.0 Release 18 « Study on Artificial Intelligence/Machine Learning (AI/ ML) management », cet article présente le cycle de vie d’un modèle IA.

Après avoir traduit le document TR 28.908, je propose une explication de quelques lignes.

Entraînement du modèle ML

Traduction : L’entraînement d’un modèle ML ou d’un groupe de modèles ML en phase de production a pour objectif d’évaluer ses performances lorsqu’il traite les données d’entraînement et les données de validation. Si le résultat de validation ne répond pas aux attentes (par exemple, si la variance n’est pas acceptable), le modèle ML doit être réentraîné.

C’est la première phase où l’on nourrit le modèle avec des données pour qu’il apprenne des motifs et des relations. La validation intervient pendant cette phase pour vérifier si le modèle apprend correctement, sans surapprentissage ni sous-apprentissage.

Test du modèle ML

Traduction : test d’un modèle ML validé pour évaluer les performances du modèle entraîné lorsqu’il traite des données de test. Si le résultat du test répond aux attentes, le modèle ML peut passer à l’étape suivante. Si le résultat du test ne répond pas aux attentes, le modèle ML doit être ré-entraîné.

Explication : après l’entraînement et la validation, on teste le modèle avec des données qu’il n’a jamais vues pour confirmer qu’il généralise bien ses apprentissages. Cette phase détermine si le modèle est prêt pour le déploiement réel.

Émulation d’inférence IA/ML

Traduction : Exécution d’un modèle ML pour l’inférence dans un environnement d’émulation. L’objectif est d’évaluer les performances d’inférence du modèle ML dans cet environnement avant de l’appliquer au réseau ou système cible. Si le résultat de l’émulation ne répond pas aux attentes (par exemple, si les performances d’inférence n’atteignent pas l’objectif, ou si le modèle ML impacte négativement les performances d’autres fonctionnalités existantes), le modèle ML doit être ré-entraîné.

NOTE : L’émulation d’inférence IA/ML est considérée comme optionnelle et peut être ignorée dans le cycle de vie du modèle ML.

Explication : cette étape simule l’utilisation du modèle dans des conditions réelles, mais dans un environnement contrôlé. On vérifie la vitesse, la fiabilité et l’impact du modèle sur les systèmes existants avant de risquer un déploiement en production.

Déploiement du modèle ML

Traduction : le déploiement du modèle ML comprend le processus de chargement du modèle ML (également appelé séquence d’actions atomiques) pour rendre un modèle ML entraîné disponible pour utilisation par la fonction d’inférence IA/ML cible.

Le déploiement du modèle ML peut ne pas être nécessaire dans certains cas, par exemple lorsque la fonction d’entraînement et la fonction d’inférence sont co-localisées.

Explication : C’est l’étape où le modèle est installé dans l’environnement de production. Cela peut impliquer des transformations du modèle, des optimisations ou des intégrations avec d’autres systèmes.

Inférence IA/ML

Traduction : Réalisation d’inférences en utilisant un modèle ML entraîné par la fonction d’inférence IA/ML. L’inférence IA/ML peut également déclencher un réentraînement ou une mise à jour du modèle basée, par exemple, sur la surveillance et l’évaluation des performances.

NOTE : Selon l’implémentation du système et les arrangements de fonctionnalités IA/ML, les étapes d’émulation d’inférence IA/ML et de déploiement ML peuvent être ignorées.

Explication : C’est l’utilisation proprement dite du modèle en production pour générer des prédictions ou des décisions sur de nouvelles données. À cette étape, le modèle peut être configuré pour signaler quand ses performances se dégradent, ce qui déclencherait un nouveau cycle d’entraînement.

En résumé, ces étapes décrivent le cycle de vie complet d’un modèle d’apprentissage automatique, de sa création à son déploiement en production, avec des points de contrôle et de validation à différentes étapes pour garantir sa qualité et son efficacité.

Figure 1 : extraite de Sharetechnote https://www.sharetechnote.com/html/5G/5G_AI_ML.html