Applying a Requirements-Focused Agile Management Approach for Machine Learning-Enabled Systems
Cet article présente l'application pratique et l'évaluation de RefineML, une approche agile axée sur les exigences et adaptée aux systèmes fondés sur l'apprentissage automatique, laquelle a démontré, lors d'une collaboration industrie-académie, qu'elle améliore la communication, facilite les évaluations de faisabilité précoces et permet une gouvernance à double voie, malgré des défis persistants dans l'opérationnalisation des préoccupations liées au ML et l'estimation de l'effort.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous essayez de construire une voiture personnalisée, mais au lieu d'un moteur standard, vous essayez de construire un moteur « apprenant » qui comprend comment conduire tout seul en regardant des millions de photos de routes. C'est ce que ressent le développement de systèmes d'Apprentissage Automatique (Machine Learning ou ML). C'est désordonné, imprévisible et très différent de la création de logiciels classiques.
Ce document est l'histoire d'une équipe (un laboratoire universitaire au Brésil et une entreprise de cybersécurité appelée EXA) qui a tenté de construire un « garde intelligent » pour stopper les escroqueries en ligne. Ils avaient besoin d'une nouvelle façon de gérer ce projet car les anciennes règles ne fonctionnaient plus. Ils ont créé une méthode appelée RefineML.
Voici comment ils ont procédé, expliqué simplement :
Le Problème : La « Boîte Noire » vs La « Chaîne de Montage »
Habituellement, construire un logiciel est comme une chaîne de montage : vous savez exactement de quelles pièces vous avez besoin, vous les fabriquez, et vous les assemblez.
Mais construire de l'IA, c'est plutôt comme apprendre à un chien à rapporter une balle. Vous ne savez pas exactement combien de temps cela prendra pour apprendre, ni même si cela fonctionnera, avant de commencer à l'entraîner avec des données.
- Le Conflit : Les décideurs commerciaux voulaient un produit fini selon un calendrier strict. Les experts en IA avaient besoin de temps pour expérimenter, échouer et réessayer. Ils ne parlaient pas la même langue, et le projet s'enlisait.
La Solution : RefineML (Le chantier à « Double Voie »)
L'équipe a inventé RefineML, un style de gestion qui agit comme un chantier de construction avec deux voies parallèles.
1. La Phase du Blueprint (Spécification Initiale)
Avant de creuser, ils ont utilisé une liste de contrôle spéciale appelée PerSpecML. Considérez cela comme un « Plan Directeur » qui force tout le monde à se mettre d'accord sur :
- Que construisons-nous ? (L'Objectif)
- Que l'utilisateur doit-il voir ? (L'Expérience)
- Avons-nous assez de « briques » (Données) ?
- La fondation est-elle assez solide ? (Infrastructure)
- Analogie : Au lieu de dire simplement « Construisez une maison », ils se sont mis d'accord sur « Construisez une maison avec 3 chambres, un toit solaire et un garage adapté à un camion ».
2. Le Système à « Deux Voies » (Conception et Faisabilité)
C'est le cœur de leur innovation. Ils ont divisé le travail en deux lignes distinctes mais connectées :
- Voie A (L'Équipe Logiciel) : Ils construisent la carrosserie de la voiture, le tableau de bord et les portes. Ils ont besoin d'un « faux moteur » pour tester si le tableau de bord fonctionne.
- Voie B (L'Équipe IA) : Ils sont occupés à entraîner le « moteur apprenant ». Cela prend du temps et c'est imprévisible.
Le Tour de Magie : L'API de Démo (Le Moteur Factice)
Pour que la Voie A puisse avancer pendant que la Voie B est encore en phase d'entraînement, l'équipe d'IA a construit un Moteur Factice (appelé API de Démo). Ce n'était pas encore le vrai cerveau apprenant, mais il faisait semblant de l'être.
- Analogie : Imaginez que l'équipe logicielle construit l'intérieur d'une voiture. Ils y branchent une boîte en carton qui ressemble à un moteur. Ils peuvent ainsi tester le volant et les pédales sans attendre que le vrai moteur soit terminé. Cela empêche tout le projet de stagner.
3. La Règle des « Deux Sprints d'Avance »
L'équipe d'IA est toujours deux étapes devant l'équipe de l'équipe logicielle.
- Analogie : L'équipe d'IA prépare un gâteau. Ils commencent à préparer la pâte (entraînement du modèle) deux jours avant que l'équipe logicielle n'ait besoin de mettre le gâteau dans la boîte (intégration). Cela donne aux boulangers le temps de réparer un gâteau brûlé sans retarder la livraison de la boîte.
4. Les « Couches de Terminé » (LoD - Layers of Done)
Au lieu d'attendre une IA « parfaite », ils ont livré des versions par couches :
- Couche 0 : Le Moteur Factice (API de Démo).
- Couche 1 : Un « Modèle Viable Minimum » (MVM) – un modèle qui fonctionne suffisamment bien pour être utile, même s'il n'est pas parfait.
- Couche 2+ : Améliorations continues.
- Analogie : Au lieu d'attendre une Ferrari, ils ont d'abord livré un vélo fonctionnel. Puis une trottinette. Puis une voiture. Le client a obtenu de la valeur immédiatement, et l'équipe a continué à l'améliorer.
Que s'est-il passé dans le monde réel ?
Ils ont appliqué cela à un projet de cybersécurité pour stopper les escroqueries.
- Le Résultat : Ils ont réussi à construire des outils pour détecter les messages frauduleux, les sites web dangereux et même pour analyser des captures d'écran de scams.
- La Victoire : Le « Modèle Viable Minimum » qu'ils ont livré tôt était en réalité meilleur que l'ancienne solution de l'entreprise. Ils n'ont pas eu à attendre des années pour une IA parfaite ; ils ont apporté de la valeur immédiatement et ont continué à l'améliorer.
Ce qui a bien fonctionné ?
- Communication : Le « Blueprint » (PerSpecML) a empêché les décideurs et les experts en IA de se parler sans se comprendre. Tout le monde savait à quoi ressemblait le « succès ».
- Plus de Blocage : Grâce au « Moteur Factice », l'équipe logicielle n'a jamais eu à attendre sans rien faire pendant que l'équipe d'IA expérimentait.
- Vérifications de Réalité Précoces : Ils ont vérifié s'ils avaient assez de données avant de commencer. Cela leur a évité de perdre du temps sur des projets impossibles dès le départ.
Qu'est-ce qui restait difficile ?
Même avec ce excellent système, deux gros problèmes subsistaient :
- Le Fossé de la « Traduction » : Il était toujours difficile pour l'équipe de transformer le « Blueprint » de haut niveau en tâches quotidiennes spécifiques. Cela nécessitait un guide expérimenté (un facilitateur) pour aider à traduire les grandes idées en petites étapes.
- Le « Pari » de l'Estimation : On ne peut toujours pas prédire parfaitement le temps nécessaire pour entraîner une IA. Parfois, vous essayez pendant deux semaines et le modèle devient moins bon. Le papier admet que l'estimation de l'effort pour l'IA reste un mystère qu'aucun outil de gestion ne peut pleinement résoudre pour l'instant.
L'Essentiel
RefineML est une façon de gérer les projets d'IA en acceptant que l'IA est imprévisible. Il utilise un système à « Double Voie » pour faire avancer l'entreprise pendant que l'IA apprend, utilise des versions « Factices » pour maintenir la connexion entre les équipes, et livre de la valeur par petites étapes progressives plutôt que d'attendre la perfection. Cela n'a pas résolu le mystère de la durée d'apprentissage d'une IA, mais cela a résolu le problème de la manière de faire travailler une équipe ensemble sans rester bloquée.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.