Il existe un nombre croissant de cadres externes de développement de l'IA que les parlements peuvent appliquer. Il s'agit de modules et de bibliothèques logicielles intégrées facilitant le développement, l'entraînement, la validation et le déploiement de solutions d'IA par le biais d'une interface de programmation de haut niveau.
Les blocs et les fonctions préconfigurés en mode natif proposés par ces cadres réduisent la durée de mise en œuvre. En permettant aux développeurs d'adapter des blocs existants sans avoir à repartir de zéro, ces cadres améliorent également la productivité et la qualité des algorithmes. En outre, l'application de cadres standard facilite l'intégration des fonctions d'IA dans une grande diversité de plates-formes applicatives et de domaines.
Pour comparer et évaluer les différents cadres externes de développement de l'IA, le parlement doit comprendre leurs caractéristiques et déterminer s'ils conviennent à ses flux de travail et à ses besoins. Il est conseillé d'examiner des cadres spécifiques pour des scénarios d'utilisation particuliers et de comparer les options par l'expérimentation.
Les principaux éléments à prendre en compte dans ce processus décisionnel sont détaillés ci-dessous.
Facilité d'utilisation
- Documentation : qualité, clarté et exhaustivité de la documentation
- Prise en main : facilité avec laquelle il est possible de commencer à utiliser le cadre, notamment la disponibilité de tutoriels et le soutien de la communauté
- Conception de l'API : simplicité et intuitivité de l'API
Communauté et soutien
- Importance de la communauté : nombre d'utilisateurs et de développeurs contribuant au cadre
- Soutien : existence de forums, de groupes d'utilisateurs et d'autres canaux d'assistance
- Mises à jour : fréquence des mises à jour, nombre de problèmes et de vulnérabilités connus, et dynamique de maintenance et d'amélioration du cadre
Performances
- Vitesse : rapidité avec laquelle les modèles peuvent être mis à jour pour l'entraînement et l'inférence
- Évolutivité : aptitude à gérer de grands ensembles de données et des modèles complexes, ainsi que prise en charge de l'entraînement distribué
- Optimisation : fonctions intégrées d'optimisation et d'adaptation des performances du modèle et d'utilisation des ressources
Prise en charge des modèles
- Diversité de modèles : éventail des types de modèles pris en charge (réseaux neuronaux, arbres de décision, etc.)
- Modèles pré-entraînés : disponibilité et diversité des modèles pré-entraînés pouvant être affinés ou utilisés tels quels
- Personnalisation : souplesse dans la définition et l'expérimentation avec des modèles et des architectures personnalisés
Outils et intégration
- Écosystème : disponibilité d'outils complémentaires pour le prétraitement, la visualisation et le déploiement des données
- Compatibilité : intégration à des bibliothèques de traitement de données, des outils de visualisation, des plates-formes de déploiement, etc.
- Interopérabilité : prise en charge de l'importation et de l'exportation de modèles entre différents cadres
Préparation au déploiement et à la production
- Options de déploiement : facilité de déploiement des modèles dans différents environnements (Cloud, périphérie, mobile)
- Mise à disposition (serving) : prise en charge de la mise à disposition des modèles et de l'inférence dans des environnements de production
- Surveillance : outils permettant de contrôler les performances du modèle et de détecter les problèmes en production
- Réglementation en matière de protection des données : garantie que les règles de classification, de conservation et de résidence des données sont respectées
Licences et coûts
- Code source ouvert ou propriétaire : cadre à code source ouvert ou commercial
- Conditions de licence : restrictions ou exigences imposées par la licence
- Coût : coûts potentiels associés à l'utilisation du cadre, en particulier pour les options propriétaires
Prise en charge des matériels
- Prise en charge GPU/TPU : compatibilité avec divers accélérateurs matériels
- Calcul distribué : prise en charge de l'exécution sur plusieurs GPU ou sur un groupe de machines
Extensibilité
- Compléments : disponibilité de compléments ou d'extensions pour des fonctionnalités supplémentaires
- API pour les extensions personnalisées : possibilité d'écrire des extensions personnalisées ou d'intégrer des outils tiers
Évolutivité
- Monter en puissance et évoluer horizontalement : prise en charge de l'évolutivité verticale ou horizontale (manuelle ou automatique)
- Performances : tests de charge et simulations pour mesurer les performances du cadre
- Coût : possibilité de fixer des limites de coût si le système doit être étendu
Reproductibilité
- Gestion des versions : outils pour la gestion des versions des modèles et des données afin de garantir la reproductibilité des résultats
- Gestion des expériences : prise en charge du suivi des expériences et de la gestion de leurs résultats
Sécurité
- Fonctions de sécurité : fonctions intégrées de sécurité pour un déploiement et une utilisation fiables du modèle
- Conformité : conformité aux normes et réglementations du secteur
Les Lignes directrices pour l’IA dans les parlements ont été produites par l’UIP en collaboration avec le Pôle parlementaire sur la science des données du Centre pour l'innovation au parlement de l'UIP. Ce document est soumis à une licence Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International. Il peut être librement partagé et réutilisé en mentionnant l'UIP. Pour plus d'informations sur les travaux de l'UIP en matière d'intelligence artificielle, veuillez consulter le site www.ipu.org/fr/impact/democratie-et-parlements-forts/lintelligence-artificielle ou contacter [email protected].
