{"id":136286,"date":"2024-07-10T13:18:47","date_gmt":"2024-07-10T11:18:47","guid":{"rendered":"https:\/\/jfrog.com\/blog\/jfrog-to-acquire-qwak-to-streamline-ai-models\/"},"modified":"2024-09-15T11:36:15","modified_gmt":"2024-09-15T09:36:15","slug":"jfrog-to-acquire-qwak-to-streamline-ai-models","status":"publish","type":"post","link":"https:\/\/jfrog.com\/fr\/blog\/jfrog-to-acquire-qwak-to-streamline-ai-models\/","title":{"rendered":"JFrog et Qwak\u00a0: Acc\u00e9l\u00e9rer les mod\u00e8les d'apprentissage automatique en production – La m\u00e9thode DevOps"},"content":{"rendered":"

\"JFrog<\/p>\n

Toute l’\u00e9quipe est ravie de partager des nouvelles exaltantes\u00a0: Qwak rejoindra la famille JFrog\u00a0! Il y a pr\u00e8s de quatre ans, Qwak a \u00e9t\u00e9 fond\u00e9e avec la vision de donner aux ing\u00e9nieurs en machine learning (ML) les moyens d\u2019avoir un impact r\u00e9el avec leurs produits bas\u00e9s sur le ML et d\u2019obtenir des r\u00e9sultats commerciaux significatifs. Notre mission a toujours \u00e9t\u00e9 d\u2019acc\u00e9l\u00e9rer, de faire \u00e9voluer et de s\u00e9curiser la livraison d\u2019applications ML.<\/p>\n

Ce nouveau chapitre avec JFrog marquera une \u00e9tape importante dans l\u2019aventure Qwak, et nous ne pourrions pas \u00eatre plus enthousiastes \u00e0 l\u2019id\u00e9e d\u2019aller de l\u2019avant ensemble. La cr\u00e9ation de mod\u00e8les ML est complexe et prend beaucoup de temps, et de nombreux scientifiques des donn\u00e9es ont du mal \u00e0 transformer les concepts en mod\u00e8les pr\u00eats pour la production, sans parler de les mettre eux-m\u00eames en production. Il est essentiel de combler le foss\u00e9 entre les workflows MLOps et DevSecOps<\/a> pour rationaliser ce processus.<\/p>\n

Qu\u2019est-ce qu\u2019une plateforme ML\u00a0?<\/h2>\n

La cr\u00e9ation de mod\u00e8les de machine learning est une t\u00e2che complexe et multidimensionnelle. Elle implique plusieurs \u00e9tapes critiques, notamment le d\u00e9veloppement du mod\u00e8le, la configuration des hyperparam\u00e8tres et l\u2019ex\u00e9cution de nombreuses \u00ab\u00a0exp\u00e9rimentations\u00a0\u00bb pour optimiser les performances. Une fois qu\u2019un mod\u00e8le satisfaisant est obtenu, l\u2019\u00e9tape suivante consiste \u00e0 cr\u00e9er un artefact d\u00e9ployable, qui peut \u00eatre int\u00e9gr\u00e9 dans des syst\u00e8mes de production pour des applications r\u00e9elles. Ce processus n\u00e9cessite non seulement une grande comp\u00e9tence technique, mais aussi une compr\u00e9hension approfondie du domaine d’application, une planification minutieuse et des tests rigoureux pour garantir la fiabilit\u00e9 et l\u2019efficacit\u00e9 du mod\u00e8le dans un environnement r\u00e9el.<\/p>\n

Cette t\u00e2che est devenue encore plus compliqu\u00e9e avec l\u2019av\u00e8nement de l\u2019IA g\u00e9n\u00e9rative (GenAI) et des applications impliquant de grands mod\u00e8les de langage (LLM). Les mod\u00e8les ML traditionnels se concentrent g\u00e9n\u00e9ralement sur des t\u00e2ches sp\u00e9cifiques telles que la classification, la r\u00e9gression ou le clustering bas\u00e9s sur des donn\u00e9es structur\u00e9es ou semi-structur\u00e9es. En revanche, les LLM, comme ceux utilis\u00e9s dans GenAI, sont con\u00e7us pour comprendre et g\u00e9n\u00e9rer du texte de type humain, ce qui les rend adapt\u00e9s \u00e0 un large \u00e9ventail d\u2019applications telles que le traitement du langage naturel, les agents conversationnels et la cr\u00e9ation de contenu automatis\u00e9 (cela peut \u00eatre vu dans l\u2019essor rapide de ChatGPT et de technologies similaires, ainsi que la myriade de chatbots et de technologies \u00ab\u00a0assistantes\u00a0\u00bb). L\u2019\u00e9chelle des op\u00e9rations et la nature dynamique des interactions dans les applications GenAI augmentent consid\u00e9rablement les exigences sur les processus de d\u00e9veloppement et de d\u00e9ploiement, ce qui rend essentiel de disposer d\u2019outils et de strat\u00e9gies sp\u00e9cialis\u00e9s pour relever efficacement ces d\u00e9fis.<\/p>\n

\"MLOps<\/p>\n

Les plateformes de ML telles que Qwak r\u00e9pondent \u00e0 trois domaines critiques de ces d\u00e9fis pour aider les organisations \u00e0 surmonter les complexit\u00e9s lors de la fourniture d\u2019applications de machine learning et d\u2019IA\u00a0:<\/p>\n

    \n
  1. MLOps<\/strong>\u00a0: Des solutions compl\u00e8tes pour la cr\u00e9ation, l\u2019entra\u00eenement et le d\u00e9ploiement de mod\u00e8les de Machine Learning. De la gestion des exp\u00e9riences au d\u00e9ploiement en production, ce domaine couvre l\u2019ensemble du cycle de vie des mod\u00e8les ML, garantissant efficacit\u00e9 et \u00e9volutivit\u00e9.<\/li>\n
  2. LLMOps<\/strong>\u00a0: Des solutions sp\u00e9cialis\u00e9es pour relever les d\u00e9fis uniques des grandes applications bas\u00e9es sur des mod\u00e8les de langage. Cela inclut la gestion des invites, la gestion d\u2019architectures complexes et la mise en \u0153uvre de techniques de surveillance avanc\u00e9es pour garantir des performances et une fiabilit\u00e9 optimales.<\/li>\n
  3. Boutique de fonctionnalit\u00e9s<\/strong>\u00a0: Un moteur de donn\u00e9es robuste qui r\u00e9pond aux besoins des data scientists, comprenant les pipelines de fonctionnalit\u00e9s, la mise \u00e0 disposition de fonctionnalit\u00e9s et la possibilit\u00e9 de cr\u00e9er et de stocker des vecteurs. Ce composant garantit que les bonnes donn\u00e9es sont facilement disponibles pour le d\u00e9veloppement et le d\u00e9ploiement du mod\u00e8le.<\/li>\n<\/ol>\n

    Pourquoi JFrog et Qwak ensemble\u00a0?<\/h2>\n

    Si les plateformes MLOps facilitent la vie des data scientists de plusieurs fa\u00e7ons lors de la mise en production de mod\u00e8les, il existe de nombreux domaines qu\u2019elles ne peuvent pas aborder en silo. Suite \u00e0 notre int\u00e9gration<\/a> initiale, et alors que nous travaillons ensemble \u00e0 des solutions plus int\u00e9gr\u00e9es, JFrog et Qwak se compl\u00e8tent pour aider les particuliers et les entreprises \u00e0 tirer parti de la valeur de l\u2019IA plus rapidement et avec une plus grande confiance. Cela se r\u00e9sume \u00e0 trois domaines cl\u00e9s\u00a0:<\/p>\n

      \n
    1. D\u00e9veloppement acc\u00e9l\u00e9r\u00e9<\/strong>\u00a0: En int\u00e9grant la plateforme de ML g\u00e9r\u00e9e de Qwak aux outils DevSecOps de JFrog, les \u00e9quipes de d\u00e9veloppement pourront rationaliser leurs flux de travail, r\u00e9duisant ainsi le temps n\u00e9cessaire pour faire passer les mod\u00e8les de la conception \u00e0 la production.<\/li>\n
    2. S\u00e9curit\u00e9 am\u00e9lior\u00e9e<\/strong>\u00a0: La suite de s\u00e9curit\u00e9 compl\u00e8te de JFrog garantit que les mod\u00e8les ML sont s\u00e9curis\u00e9s \u00e0 chaque \u00e9tape du cycle de vie, du d\u00e9veloppement au d\u00e9ploiement. Cette int\u00e9gration permettra d’identifier les vuln\u00e9rabilit\u00e9s et att\u00e9nuer les risques \u00e0 un stade pr\u00e9coce dans les composants traditionnels et les mod\u00e8les d’apprentissage automatique eux-m\u00eames.<\/li>\n
    3. Am\u00e9lioration de la collaboration<\/strong>\u00a0: Cette int\u00e9gration favorisera une meilleure collaboration entre les scientifiques des donn\u00e9es, les d\u00e9veloppeurs et les \u00e9quipes de s\u00e9curit\u00e9. En utilisant une plateforme commune, ces \u00e9quipes peuvent travailler ensemble plus efficacement, ce qui permet d\u2019obtenir des versions logicielles de meilleure qualit\u00e9 et de r\u00e9duire le temps consacr\u00e9 \u00e0 la r\u00e9solution des probl\u00e8mes entre les outils et les d\u00e9partements.<\/li>\n<\/ol>\n
      \n

      ASTUCE\u00a0: Pour commencer \u00e0 utiliser imm\u00e9diatement les solutions JFrog et Qwak, veuillez consulter ces instructions \u00e9tape par \u00e9tape<\/a>.<\/strong><\/p>\n

      \n

      Les \u00e9quipes d\u2019ing\u00e9nierie ML\/Data Science et les professionnels DevSecOps reconna\u00eetront les principales fonctionnalit\u00e9s techniques qui stimulent la simplicit\u00e9 et la rapidit\u00e9\u00a0:<\/p>\n