Série d’Ebooks

IA en Action :
5 études de cas
Exemples d'innovation avec la vision par ordinateur, les
chatbots intelligents, la personnalisation, la recherche
cognitive et la prévision, avec des échantillons de code
pour lancer vos projets
Série d’Ebooks Avril
2020
IA en Action : 5 études de cas 2

Contents
Introduction 3

1. La vision par ordinateur en action 4

2. Chatbots intelligents en action 13

3. Personalizer et outils de recommandation

en action 21

4. Exploration des connaissances en action 29

5. Prévisions en action 36

Conclusion 43

© 2020 Microsoft Corporation. Tous droits réservés.

Le présent document est fourni en l’état. Les informations et

les points de vue exprimés dans le document, y compris les
URL et autres références à des sites web, sont susceptibles de
changer sans préavis. Vous assumez les risques associés à son
utilisation. Le présent document ne vous donne pas les droits
juridiques propres à la propriété intellectuelle de tout produit
Microsoft. Vous pouvez photocopier et utiliser ce document
à titre de référence interne.
Avril IA en Action : 5 études de cas 3
2020

Introduction
Les entreprises du monde entier utilisent
l'IA pour créer des applications permettant
d'automatiser des tâches complexes et
d'extraire de nouvelles connaissances de
vastes ensembles de données métier. Qu'il
s'agisse d'utiliser la vision artificielle pour
améliorer la sécurité, de personnaliser le
contenu pour les utilisateurs ou d'offrir aux
clients davantage d'options d'interaction,
les technologies de Machine Learning et
d'intelligence artificielle peuvent donner à
votre entreprise de nouvelles orientations.
Cette série d'études de cas techniques met
en évidence la façon dont les équipes de
développement utilisent Microsoft Azure AI
pour créer des applications qui permettent
aux entreprises de fournir plus rapidement
des informations à leurs clients et de leur
permettre d'agir.

Avant de commencer

Vous souhaitez tester le code

de ces études de cas ? Ouvrez
un compte Azure gratuit.
 Avril IA en Action : 5 études de cas 4
2020

1.
La vision par ordinateur
en action
La vision par ordinateur utilise des algorithmes avancés pour traiter les informations
contenues dans des images, effectuant des tâches telles que l'identification des
objets dans une image, le suivi des mouvements dans une vidéo ou la reconnaissance
de personnes dans une foule. Cette technologie peut également être utilisée
pour étiqueter le contenu d'une image afin, par exemple, de bloquer les images
inappropriées ou d'empêcher la communication de propriété intellectuelle.
 Avril IA en Action : 5 études de cas 5
2020

Shell voit la sécurité dans la vision par ordinateur d'Azure

Royal Dutch Shell, plus connu sous le nom de Shell, gère tout, des puits de pétrole aux stations-service.
Cette entreprise mondiale est l'un des principaux distributeurs de produits et services de transport, au
service de 30 millions de clients par jour sur un réseau de 44 000 stations dans plus de 75 pays.

Shell a commencé à utiliser la vision par ordinateur pour automatiser les contrôles de sécurité dans ses
stations-service. Par exemple, si un client entre dans une station, commence à faire le plein d'essence
de sa voiture, puis allume une cigarette pour fumer, les caméras et les systèmes de vision par ordinateur
peuvent détecter le danger et en informer le directeur de la station. Le directeur peut désactiver la
pompe jusqu'à ce que le client éteigne sa cigarette.

Solution et technologie
Avec ses dizaines de milliers de stations dans le monde entier, l'entreprise s'appuie sur une
technologie innovante pour détecter les risques et assurer la sécurité de ses clients et de son
activité. Bien que l'entreprise dispose d'un réseau de « champions des services » pour détecter
les comportements dangereux sur ses sites de vente au détail, Shell vise à réduire au minimum
les efforts nécessaires pour veiller à la sécurité de ses employés et de ses clients.

Shell a travaillé avec Microsoft pour créer un projet connu sous le nom de Video Analytics for
Downstream Retail (VADR, Analyse vidéo pour le commerce de détail en aval), qui s'appuie sur la
vision artificielle associée au traitement automatisé des images pour détecter les comportements
dangereux et alerter les champions des services. La société a utilisé OpenCV (une bibliothèque
de vision par ordinateur open source) et Azure Databricks pour mettre en œuvre sa solution,
démontrant la capacité d'Azure à gérer aussi bien des solutions génériques que des mises en
œuvre personnalisées.

« Certaines choses comme le tabagisme présentent de très grands risques », explique Daniel
Jeavons, directeur général de la science des données chez Shell. « Nous voulons utiliser la
technologie numérique pour pouvoir réagir rapidement et de manière appropriée afin d'éviter
des scénarios dangereux. Nous considérons que ce n'est pas seulement rentable, mais que cela fait
partie de notre responsabilité en tant que membre des communautés dont nous faisons partie. »

Shell mène actuellement un projet pilote de déploiement de VADR dans des stations de vente
au détail en Thaïlande et à Singapour, et prévoit d'étendre le projet une fois que ces installations
auront fait leurs preuves. Son expérience en matière de vision industrielle et d'IA a suscité un vif
intérêt pour d'autres projets d'IA au sein de Shell, qui a plus de 280 projets de Machine Learning
et d'IA en cours. De plus, la société lance un programme de résidence pour les étudiants qui
souhaitent travailler sur l'IA chez Shell.
 Avril IA en Action : 5 études de cas 6
2020

AB InBev suit sa chaîne d'approvisionnement

AB InBev dépend fortement de sa chaîne d'approvisionnement pour la production de différentes
boissons, de la Budweiser à la bière belge Wäls Brut. L'entreprise utilise la vision par ordinateur
pour recueillir des informations et automatiser diverses tâches afin de maintenir sa chaîne
d'approvisionnement en mouvement et de respecter le calendrier de production. En mars 2020, la
société a entrepris de collecter des données sur les rendements des cultures afin d'aider ses fournisseurs
à prévoir les récoltes. En 2019, la société a commencé à utiliser des drones autonomes pour faire
l'inventaire des magasins et des entrepôts, assurant ainsi un suivi pour éviter la possibilité d'un manque
de stock des biens et des fournitures nécessaires.

Solution et technologie
AB InBev a construit son infrastructure numérique sur Microsoft Azure, à l'aide des capacités
d'analyse de données et de Machine Learning fournies par Azure AI. Par exemple, Smart Barley,
qui vise à aider les agriculteurs à améliorer leurs rendements, utilise la vision par ordinateur pour
réduire l'utilisation d'eau et d'engrais et créer un processus agricole beaucoup plus durable.
La société utilise également des services d'IA tout au long de sa chaîne d'approvisionnement,
depuis les chatbots en contact avec les clients jusqu'à l'automatisation et la simplification des
tâches quotidiennes de back-office pour gagner du temps. Azure permet également à AB InBev
d'intégrer des modèles plus personnalisés avec des services comme Databricks et OpenCV.

Mise en œuvre de la vision par ordinateur avec Azure AI

Ces entreprises ont utilisé une ou plusieurs des technologies suivantes :

• API Azure Vision par ordinateur

• API Azure Custom Vision

• Azure IoT Edge

• Azure IoT Hub

• Apache Kafka

• Apache Spark

• Azure Databricks

• OpenCV
 Avril IA en Action : 5 études de cas 7
2020

Mission technique : Déploiement sur site à l'aide d'Azure IoT Edge

Shell, par exemple, a déployé Azure IoT Edge afin que sa logique d'application se rapproche autant
que possible des situations qu'elle analyse, réduisant encore le temps dont le système a besoin
pour prendre des décisions vitales en matière de sécurité. « Nous disposons d'un ensemble de flux
conteneurisés qui comprennent des modèles analytiques », explique Jeavons. « Nous les poussons
à leurs limites avec le streaming Apache Kafka, qui est vraiment idéal pour gérer de grands jeux de
données, et les séquences des caméras de surveillance en circuit fermé passent par les modèles, qui
extraient les images dont nous avons besoin pour identifier les risques potentiels de sécurité. »

Pour créer un conteneur Windows qui agira comme un appareil IoT Edge, utilisez :

az vm create --resource-group IoTEdgeResources --name EdgeVM --image

MicrosoftWindowsDesktop:Windows-10:rs5-pro:latest --admin-username
azureuser --admin-password {password} --size Standard_DS1_v2

Pour créer un conteneur Linux Ubuntu qui agira comme un appareil IoT Edge, utilisez :

az vm image accept-terms --urn microsoft_iot_edge:iot_edge_vm_

ubuntu:ubuntu_1604_edgeruntimeonly:latest

az vm create --resource-group IoTEdgeResources --name EdgeVM --image

microsoft_iot_edge:iot_edge_vm_ubuntu:ubuntu_1604_edgeruntimeonly:latest
--admin-username azureuser --generate-ssh-keys
 Avril IA en Action : 5 études de cas 8
2020

Créer un hub avec :

az iot hub create --resource-group IoTEdgeResources --name {hub_name}

--sku F1

Ensuite, enregistrez l'appareil IoT Edge auprès du hub :

az iot hub device-identity create --hub-name {hub_name} --device-id

myEdgeDevice --edge-enabled

az iot hub device-identity show-connection-string --device-id

myEdgeDevice --hub-name {hub_name}

L'appareil IoT Edge est maintenant prêt à être configuré et les modules peuvent y être envoyés.

Trouvez plus d'exemples et de code pour Linux et Windows.

 Avril IA en Action : 5 études de cas 9
2020

Mission technique : Reconnaître une activité dangereuse en utilisant l'API Vision par ordinateur
VADR télécharge les images vidéo identifiées comme présentant un comportement potentiellement
dangereux vers une application OpenCV personnalisée que Microsoft Azure analyse grâce à des
modèles d'IA de Deep Learning plus sophistiqués. L'API REST Vision par ordinateur d'Azure analyse
les trames des images vidéo, seules ou en conjonction avec la sélection d'images clés, en utilisant
l'indexeur vidéo Azure Media Service. Les développeurs ont besoin de Visual Studio 2015 (ou d'une
version ultérieure) et des capacités de vision par ordinateur d'Azure Cognitive Services (disponible
avec un compte Azure gratuit).

Les développeurs peuvent envoyer une image pour analyse en utilisant l'API Vision par ordinateur et,
dans l'exemple ci-dessous, Python. Vous pouvez trouver un tutoriel plus complet, qui utilise d'autres
langages, dans ce guide de démarrage rapide.

computervision_client = ComputerVisionClient(endpoint,
CognitiveServicesCredentials(subscription_key))

'''
Tag an Image - remote
This example returns a tag (key word) for each thing in the image.
'''
print("===== Tag an image - remote =====")
# Call API with remote image
tags_result_remote = computervision_client.tag_image(remote_image_
url )

# Print results with confidence score

print("Tags in the remote image: ")
if (len(tags_result_remote.tags) == 0):
print("No tags detected.")
else:
for tag in tags_result_remote.tags:
print("'{}' with confidence {:.2f}%".format(tag.name, tag.
confidence * 100))
# </snippet_tags>
print()
'''
 Avril IA en Action : 5 études de cas 10
2020

Mission technique : Reconnaître des objets dans des images

L'utilisation de drones, que ce soit au-dessus de champs dans un cadre agricole ou au-dessus d'étagères
dans un magasin, permet la capture automatisée d'images et de vidéos depuis divers endroits et
sous différents angles. Le contenu capturé par des drones peut être trié par des algorithmes sur
l'appareil lui-même (un peu comme le scénario Azure IoT utilisé par Shell), avec des correspondances
potentielles téléchargées dans le cloud pour une analyse plus détaillée.

Comme l'a démontré AB InBev, le suivi de produits sur des étagères ou de rendements dans des champs
peut être effectué à l'aide d'une technologie similaire. La vision par ordinateur d'Azure propose des
catégories intégrées pour rechercher des caractéristiques telles que les visages, les couleurs et d'autres
classifications de contenu. Grâce à l'API Custom Vision, des modèles de classification personnalisés
peuvent également être créés pour des applications spécifiques. Le code C# ci-dessous montre à quel
point il est simple d'appeler l'API Vision par ordinateur pour extraire des caractéristiques, assigner des
catégories et étiqueter des images. Les caractéristiques extraites pourraient inclure le nombre ou la
quantité de conteneurs ou de boîtes de produits sur une étagère, ou si un champ est entièrement
planté, par exemple, bien que les applications client nécessiteraient des modèles spécifiques entraînés.
 Avril IA en Action : 5 études de cas 11
2020

public static async Task AnalyzeImageUrl(ComputerVisionClient

client, string imageUrl)
{
// Creating a list that defines the features to be extracted
from the image.
List<VisualFeatureTypes> features = new
List<VisualFeatureTypes>()
{
VisualFeatureTypes.Categories, VisualFeatureTypes.
Description,
VisualFeatureTypes.Faces, VisualFeatureTypes.ImageType,
VisualFeatureTypes.Tags, VisualFeatureTypes.Adult,
VisualFeatureTypes.Color, VisualFeatureTypes.Brands,
VisualFeatureTypes.Objects
}
};

API Azure Vision par ordinateur

Le service Vision par ordinateur permet à n'importe quel code de tirer facilement parti
des fonctionnalités préétablies et avancées qui fonctionnent sur Azure. À l'aide d'un kit
de développement logiciel (SDK) qui s'appuie sur les API REST, les développeurs peuvent
effectuer un simple appel de fonction pour lire du texte, classer une image, déterminer
si une marque ou une célébrité se trouve dans une photo, et étiqueter une image avec
des mots-clés générés automatiquement. Des fonctions plus avancées peuvent être
créées à l'aide des SDK disponibles en .NET, Python, JavaScript et Java et fournir des
fonctionnalités supplémentaires, par exemple le nombre ou la quantité de conteneurs
ou de boîtes de produits sur une étagère ou si un champ est entièrement planté, bien
que les applications client nécessiteraient des modèles spécifiques entraînés.
 Avril IA en Action : 5 études de cas 12
2020

Conclusion Ressources
La vision par ordinateur peut aider les
entreprises à mieux automatiser certains Créez votre compte Azure gratuit
aspects de leur activité qui, jusqu'à présent,
résistaient à l'automatisation et à l'acquisition Qu'est-ce que la vision par ordinateur ?
de données.
API Azure Vision par ordinateur
La plupart des activités de Shell, par exemple,
impliquent la gestion et le contrôle des Comment l'IA permet la création de
actifs physiques (stations de vente au détail, meilleures stations-service et transforme
pétroliers, usines de lubrification, pipelines, l'activité énergétique mondiale de Shell
raffineries et plateformes pétrolières et
gazières), de sorte que le projet VADR et les Du grain à la gorgée : Comment Anheuser-
technologies de vision industrielle ont un Busch InBev utilise l'IA pour stimuler sa
large éventail d'applications potentielles au croissance
sein de la société. Celles-ci pourraient inclure
des alertes automatisées pour les systèmes Guide de démarrage rapide : Comment créer
des plateformes offshore éloignées en cas un classificateur avec Custom Vision
de conditions dangereuses ou la surveillance
d'actifs vitaux, tels que les pipelines et les
puits, pour prévenir la corrosion.

AB InBev s'est concentré sur la gestion

automatisée de sa chaîne d'approvision­
nement, en utilisant la vision par ordinateur
pour analyser les rendements des cultures et
pour veiller à l'inventaire des produits dans
les rayons des magasins.
 Avril IA en Action : 5 études de cas 13
2020

2.
Chatbots intelligents
en action
Les chatbots permettent aux organisations d'interagir avec leurs clients et leurs
utilisateurs de manière naturelle par l'intermédiaire de multiples canaux et
expériences tels que les sites web des entreprises, les applications et les appareils
mobiles, et les écosystèmes de haut-parleurs intelligents. Cette technologie
présente également l'avantage supplémentaire de la traduction, qui permet de
communiquer les mêmes informations aux utilisateurs quelle que soit la langue
qu'ils parlent, ce qui est particulièrement utile dans le domaine du divertissement.
 Avril IA en Action : 5 études de cas 14
2020

La Liga se rapproche des fans de football

La Liga, la meilleure ligue de football professionnel masculin d'Espagne, compte près de 1,6 milliard
d'abonnés sur les réseaux sociaux dans le monde entier. La priorité de la ligue est de rester en contact
avec ces fans par l'intermédiaire de différents canaux tels que Skype et l'écosystème Google Assistant.

Pour maintenir l'engagement des supporters de la ligue, La Liga a créé un assistant virtuel pour
répondre aux questions de ses supporters en anglais et en espagnol, malgré les différentes nuances de
vocabulaire entre les multiples dialectes parlés dans les pays hispanophones. Les gens peuvent poser
des questions à l'assistant virtuel en utilisant le langage naturel, et le bot analysera la demande pour
déterminer l'intention du message.

Solution et technologie
Les développeurs de La Liga ont créé l'assistant en utilisant Azure Bot Service, le Microsoft Bot
Framework, et une variété de services Azure Cognitive. L'assistant tire profit de l'évolutivité et de
la flexibilité d'Azure App Service pour à la fois gagner en fiabilité et rationaliser le développement.
Avec l'assistant virtuel, La Liga a déployé sur Azure App Service la logique du bot principal et
un éventail de microservices, tels que le service de traitement d'images, le connecteur Google
Assistant, le connecteur Alexa, les chargeurs de données, la gestion du cache, et deux fonctions
Azure pour les données en temps réel et les messages proactifs. La Liga utilise même Azure
Content Moderator pour mettre des cartons jaunes aux fans qui utilisent un langage inapproprié
avec le bot.

L'équipe de développement de l'assistant s'est concentrée sur l'évolutivité, et pour les requêtes
en temps réel telles que les mises à jour de matchs, elle met les données en cache afin de
répondre rapidement à d'autres demandes des mêmes informations. La ligue de football
dispose également d'un développeur qui se consacre aux tests d'évolutivité, automatisant des
millions de requêtes simulées par jour pour aider à préparer un lancement réussi.
 Avril IA en Action : 5 études de cas 15
2020

Mise en place d'un chatbot intelligent avec Azure AI

Cette entreprise a utilisé une ou plusieurs des technologies suivantes :

• Azure Bot Service

• Azure Cognitive Services

- Language Understanding

- Content Moderator

- Text Analytics

- Translator

- Custom Vision

• API Bing Spell Check (vérification orthographique)

• Recherche Azure Cognitive

• Azure Cosmos DB

• API Bing Images Search et Custom Vision

• Azure Functions

• Azure Storage

• Power BI

Mission technique : Mise en œuvre d'une fonctionnalité chatbot de base

Créer un chatbot sur Microsoft Azure est simple et peut être fait en moins d'une heure grâce à Azure
Bot Service. Pour créer un bot multilingue, les développeurs peuvent utiliser une combinaison de Bot
Framework, Cognitive Services et Azure ainsi qu'un middleware de traduction. Microsoft a mis en
ligne un exemple de bot multilingue sur GitHub.
 Avril IA en Action : 5 études de cas 16
2020

Les développeurs doivent avoir installé Visual Studio et le SDK Bot Framework, et disposer d'un compte
Azure et d'une clé pour l'API Microsoft Translator Text. Une application peut être créée en utilisant
Azure Cognitive Services Language Understanding, un composant clé des solutions de chatbot. Grâce
au service Language Understanding, le développeur peut ajouter de l'intelligence à la conversation
en faisant correspondre l'intention d'un utilisateur avec un nombre fixe d'actions et en extrayant les
informations détaillées pertinentes.

Pour commencer, utilisez le portail du service Language Understanding pour créer une application
pour les conversations, en attribuant un nom et une culture, comme par exemple « Anglais ». Ensuite, le
développeur doit ajouter des intentions (des actions que le service Language Understanding utilisera
pour tenter de mapper les demandes de chat pendant son utilisation) et des entités, qui représentent
les objets potentiels, tels que des restaurants, des points de repère ou des aliments particuliers. Des
exemples d'énoncés, soit des commandes potentielles, sont également fournis pour aider le service
Language Understanding à déterminer les correspondances.

Pour en savoir plus, consultez la bibliothèque cliente auteur de Language Understanding (LUIS) pour
le démarrage rapide de Python. Un kit de développement logiciel est également disponible pour
.NET, Java, JavaScript et Python, et les développeurs peuvent également utiliser une API REST.

Mission technique : Mettre en œuvre la Recherche Azure Cognitive

Bien que Language Understanding puisse extraire avec précision les intentions des phrases, les
utilisateurs se contentent souvent de saisir des mots ou des phrases courtes, de sorte que les
développeurs ont également la possibilité d'utiliser la Recherche Azure Cognitive. Avec les extraits de
code suivants, un développeur pourrait gérer des phrases et des mots et répondre avec les informations
correctes dans l'application de chatbot.
 Avril IA en Action : 5 études de cas 17
2020

public virtual async Task MessageReceivedAsync(IDialogContext context,

IAwaitable<IMessageActivity> result)
{
var message = await result;
try
{
SearchResult searchResult = await
searchService.SearchByName(message.Text);
if(searchResult.value.Length != 0)
{
CardUtil.showHeroCard(message, searchResult);
}
else{
await context.PostAsync(
$"No musicians by the name {message.Text} found");
}
}
catch(Exception e)
{
Debug.WriteLine(
$"Error when searching for musician: {e.Message}");
}
context.Done<object>(null);
}

}
else{
await context.PostAsync(
$"No musicians by the name {message.Text} found");
}
}
catch(Exception e)
{
Debug.WriteLine(
$"Error when searching for musician: {e.Message}");
}
context.Done<object>(null);
}
 Avril IA en Action : 5 études de cas 18
2020

Communiquer en images
La Recherche Azure Cognitive peut également utiliser d'autres services d'IA, tels que
l'API Vision par ordinateur (voir la section Vision par ordinateur en action ci-dessus),
pour permettre aux développeurs d'analyser des images, en extrayant des mots clés
décrivant les images et les points de repère potentiels qui peuvent y être représentés. Les
développeurs peuvent également fournir directement des images à Bing Image Search
d'Azure pour trouver des images similaires et les « requêtes les plus représentatives ».
Bing possède une gigantesque banque de données d’images qui peut être mise à profit
pour reconnaître des lieux, des personnes et même des aliments connus.

Mission technique : Créer un message d'accueil personnalisé pour l'assistant virtuel

Pour personnaliser le message d'accueil de l'assistant virtuel, les développeurs utilisent une carte
d'adaptation, une structure ouverte qui vous permet de décrire et de personnaliser votre contenu
comme bon vous semble. Les cartes d'adaptation fonctionnent bien avec les bots, ce qui permet aux
développeurs de créer le contenu d'une carte une seule fois et de l'utiliser pour afficher des informations
dans plusieurs applications, comme un site web ou une application de messagerie.

La charge utile JSON suivante peut être utilisée comme modèle. Remarquez que le nom de l'« url » n'a
pas de valeur valide et devra être mis à jour avec des URL réelles.

{
"type": "AdaptiveCard",
"id": "NewUserGreeting",
"backgroundImage": **Base64 Encoded Image**,
"body": [
{
"type": "Container",
"items": [
{
"type": "Image",
"url": **Base64 Encoded Image**,
"size": "Stretch"
}
]
},
 Avril IA en Action : 5 études de cas 19
2020

{
"type": "Container",
"spacing": "None",
"backgroundImage": **Base64 Encoded Image**,
"items": [
{
"type": "TextBlock",
"id": "title",
"spacing": "Medium",
"size": "Large",
"weight": "Bolder",
"color": "Light",
"text": "Hi, I'm **your** Virtual Assistant",
"wrap": true
},
{
"type": "TextBlock",
"id": "body",
"size": "Medium",
"color": "Light",
"text": "Now that I'm up and running, explore the links
here to learn what I can do.",
"wrap": true
}
]
}
],
"actions": [
{
"type": "Action.Submit",
"title": "Get started",
"data": {
"action": "startOnboarding"
}
},
{
"type": "Action.OpenUrl",
"title": "Documentation",
"url": "https://aka.ms/bfvadocs"
},
{
"type": "Action.OpenUrl",
"title": "Skills",
"url": "https://aka.ms/bfskills"
}
],
"$schema": "http://adaptivecards.io/schemas/adaptive-card.json",
"version": "1.0",
"speak": "Hi, I'm **your** Virtual Assistant. Now that I'm up and
running, explore the links here to learn what I can do."
}
 Avril IA en Action : 5 études de cas 20
2020

Conclusion Ressources
Les chatbots intelligents donnent aux
entreprises des moyens supplémentaires de Créez votre compte gratuit Azure dès
se connecter avec leurs clients et d'élargir aujourd’hui
les débouchés pour les produits.
LaLiga divertit des millions de personnes
La Liga prévoit que son assistant sera grâce à l'IA conversationnelle basée sur
populaire auprès des fans qui cherchent des Azure
informations sur la ligue ; elle s'attend à de
multiples questions de la part d'utilisateurs Bot multilingue
moyens et, par conséquent, l'évolutivité
de l'assistant virtuel sera extrêmement Bibliothèque client auteur de Language
importante. Understanding (LUIS) pour le démarrage
rapide de Python

Microsoft sur l'API Bing Image Search

Qu'est-ce qu'un assistant virtuel ?

QnA Maker
 Avril IA en Action : 5 études de cas 21
2020

3.
Personalizer et outils
de recommandation
en action
 Avril IA en Action : 5 études de cas 22
2020

Offrir les bonnes expériences et le bon contenu grâce à Cognitive Services

Lorsque les entreprises souhaitent présenter aux clients le contenu qui correspond le mieux à leur
demande, Microsoft Azure Personalizer peut être utilisé pour sélectionner le meilleur élément
en fonction d'informations actualisées sur le client, le contexte et l'application. Le service basé sur
le cloud utilise l'apprentissage par renforcement pour déterminer le contenu le plus approprié, qui
peut être toute unité d'information telle que du texte, des images, des produits ou des messages que
vous souhaitez sélectionner pour les montrer à votre utilisateur. Des services de recommandation
personnalisés peuvent également être créés grâce à Azure Machine Learning (Azure ML) pour trouver
les meilleures correspondances parmi un large éventail d'objets.

Xbox One renforce l'engagement des utilisateurs

La personnalisation des contenus pour les joueurs reste un problème complexe et dynamique. Les
workflows de Machine Learning et les tests A/B coûteux ne parviennent souvent pas à prendre en
compte les intérêts de certains joueurs. Le groupe Microsoft Xbox One avait besoin d'un meilleur
moyen de trouver un contenu adapté à chaque utilisateur afin de maintenir l'intérêt des joueurs et de
les inciter à revenir.

Solution et technologie
Cognitive Services Personalizer traite le contenu et les données et apprend de manière
autonome à prendre des décisions optimales. Le groupe Xbox One a constaté que par rapport
à une politique de personnalisation aléatoire, la page d'accueil présentée aux joueurs sur la
plateforme Xbox générait une augmentation de 40 % de l'engagement des utilisateurs.

Mission technique : Exploitation de Personalizer

Au début, les suggestions de Personalizer n'auront probablement qu'entre 20 % et 30 % de succès, mais
après un certain nombre de demandes, le système s'améliorera. Toutes les 2 000 à 10 000 demandes,
le développeur peut effectuer une évaluation hors ligne et appliquer une nouvelle politique
d'apprentissage pour améliorer Personalizer.

Le cycle de base d'interaction avec Personalizer est le système de classement et de récompense. Pour
obtenir des recommandations personnalisées basées sur des données antérieures, les développeurs
utilisent l'API de classement Rank pour appeler le modèle et obtenir une liste d'options classées.
 Avril IA en Action : 5 études de cas 23
2020

# choose an action - get prediction from Personalizer

response = requests.post(personalization_rank_url, headers =
headers, params = None, json = jsonFormat)

Pour renforcer les réponses souhaitées, le développeur peut utiliser l'API de récompense Reward pour
enseigner des résultats appropriés au modèle.

# rank actions in term of preferences

response = requests.post(personalization_reward_url, headers =
headers, params = None, json = jsonFormat)

ASOS recommande des styles de vêtements

ASOS, une marque de vêtements en ligne basée à Londres, fournit aux acheteurs des recommandations
ciblées, mais l'entreprise avait besoin d'un moyen de consolider trois solutions distinctes que les data
scientists de la société ont utilisées pour ses modèles de données et de permettre à ces data scientists
de collaborer plus efficacement. L'entreprise devait également améliorer la modélisation de ses
recommandations aux clients et surmonter les inefficacités communes aux projets de modélisation
des données.

L'objectif de la marque est de proposer un choix de vêtements dans 30 tailles différentes et d'aider les
clients à déterminer ceux qui conviennent à leur style. En appliquant la science des données à ses données
sur les clients et leurs préférences, l'entreprise aide les clients à se faire une idée de leur style préféré au fil
du temps. « Nous évoluons beaucoup plus vite que les détaillants physiques », explique Reda Kechouri,
responsable agile senior chez ASOS. « Chaque semaine, nous ajoutons environ 5 000 nouveaux produits
à un catalogue de 85 000 articles. Et les cycles de tendances sont de plus en plus courts. »
 Avril IA en Action : 5 études de cas 24
2020

Solution et technologie
En tant que détaillant en ligne, ASOS est intrinsèquement orienté données. Ses ingénieurs et
ses data scientists ont créé un outil de recommandation de marque au cours d'un marathon de
programmation de quatre semaines avec Microsoft, en exploitant des gigaoctets de données
sur les préférences et les styles des 19,2 millions de clients de la marque. La recommandation est
générée à l'aide du service Azure Machine Learning, du service Deep Learning Virtual Machine,
d'Azure Cosmos DB pour l'évolutivité mondiale, et d'autres services.

Le service Deep Learning Virtual Machine accélère le Machine Learning en intégrant des instances
de machines virtuelles basées sur GPU pour entraîner des modèles de Deep Learning. « Comme
il s'agit d'une plateforme agnostique, nous utilisons le service Azure Machine Learning avec
toutes les technologies qui correspondent le mieux à nos besoins », explique Naeem Khedarun,
ingénieur logiciel principal (IA) chez ASOS.

Mise en œuvre d'un outil de recommandation avec Azure AI

Cette entreprise a utilisé une ou plusieurs des technologies suivantes :

• Référentiel des outils de recommandation de Microsoft sur GitHub

• Azure Cosmos DB

• Azure Machine Learning

• Azure Databricks

• Azure Kubernetes
 Avril IA en Action : 5 études de cas 25
2020

Mission technique : Transformation des données pour les outils de recommandation

Dans les jeux de données réels, tels que ceux contenant les données recueillies sur le site web d'ASOS
à partir des intérêts vestimentaires et des activités passées des utilisateurs, les avis des clients peuvent
être rares. Les préférences des clients doivent plutôt être déduites de leurs interactions avec les articles
vestimentaires et les pages du site web. Un utilisateur qui a visité plusieurs fois la page d'un article,
par exemple, a sans doute une préférence pour le style de cet article. Le fait de placer l'article dans
le panier, mais de ne pas l'acheter, peut indiquer une préférence plus marquée, tandis que l'achat de
l'article suggère la préférence la plus marquée.

Dans cet exemple, le data scientist se sert de l'activité du site web pour déterminer un nombre pondéré,
ou une affinité, pour l'article vestimentaire :

# Create a copy of the data

weighted_data = data.copy()

# Assign a numerical value based on the type of interaction

conditions = [
weighted_data['Type'] == 'click',
weighted_data['Type'] == 'add',
weighted_data['Type'] == 'purchase'
]
choices = [1, 2, 3]
weighted_data['Weight'] = np.select(conditions, choices, default='black')

# Convert to numeric type.

weighted_data['Weight'] = pd.to_numeric(weighted_data['Weight'])

#
weighted_data_count = weighted_data.groupby(['UserId', 'ItemId']).
agg({'Timestamp': 'count'}).reset_index()
weighted_data_count.columns = ['UserId', 'ItemId', 'Affinity']
 Avril IA en Action : 5 études de cas 26
2020

Mission technique : Création d'un outil de recommandation

Parfois, surtout lorsqu'il y a trop d'options, les développeurs devraient utiliser un moteur de
recommandation pour réduire la liste. Microsoft fournit un référentiel de code GitHub pour les outils
de recommandation qui comprend des options et des algorithmes parfaits pour résoudre certains
types de problèmes. Le référentiel facilite le passage d'un code à l'autre, ce qui permet aux data
scientists d'expérimenter différents algorithmes et de choisir celui qui est le plus performant pour leur
application.

Il existe de nombreux modèles de ML qui peuvent être utilisés pour créer un outil de recommandation.
Le modèle des moindres carrés alternés (ALS, Alternating Least Squares), par exemple, est un moyen
de minimiser la fonction de perte pour un jeu de données particulier. Pour l'utiliser, le data scientist
doit d'abord diviser un jeu de données en deux jeux : un pour les données d'entraînement et un pour
le test du modèle résultant.

train, test = spark_random_split(data, ratio=0.75, seed=123)

print ("N train", train.cache().count())
print ("N test", test.cache().count())

Il faut créer un en-tête qui attribue des colonnes particulières du jeu de données, des données, à des
métriques particulières du modèle. Si les données d'ASOS, par exemple, comprenaient les utilisateurs,
les articles vestimentaires et la note de l'utilisateur pour cet article, alors le modèle peut être créé à
l'aide du code suivant :
 Avril IA en Action : 5 études de cas 27
2020

header = {
"userCol": "UserId",
"itemCol": "ClothingItem",
"ratingCol": "Rating",
}
als = ALS(
rank=10,
maxIter=15,
implicitPrefs=False,
regParam=0.05,
coldStartStrategy='drop',
nonnegative=False,
seed=42,
**header
)
model = als.fit(train)
 Avril IA en Action : 5 études de cas 28
2020

Conclusion Ressources
Personalizer, qui fait partie intégrante
d'Azure Cognitive Services, est le choix idéal Créez votre compte gratuit Azure dès
lorsque vous développez une application aujourd’hui
pour laquelle il existe un nombre limité de
choix (moins de 50), une description bien Un détaillant en ligne résout ses
définie du contenu et des mesures à prendre, problèmes avec le service Azure
suffisamment d'événements quotidiens Machine Learning
pour maintenir Personalizer à jour (au
moins 1 000) et des profils d'utilisateurs bien Comme Xbox, offrez les bonnes
renseignés. expériences et le bon contenu avec
Cognitive Services
Le groupe Microsoft Xbox a constaté
qu'Azure Cognitive Services Personalizer Qu'est-ce que Personalizer ?
a augmenté l'engagement des utilisateurs
de 40 %, en fournissant un contenu Guide de démarrage rapide : biblio­
que ses principaux clients voulaient thèque cliente Personalizer
voir. La technologie d'apprentissage par
renforcement offre des gains réels par Tutoriel : Utiliser Personalizer dans
rapport à d'autres technologies utilisées Azure Notebook
auparavant.

Les équipes de science des données d'ASOS

voulaient des outils qui les aideraient à
faire plus que simplement accélérer leur
processus de modélisation. Ils voulaient
briser les barrières entre les équipes et
élaborer de bonnes pratiques en matière
de science des données et de modélisation.
L'utilisation d'une plateforme unique pour la
personnalisation et la recommandation de
contenus a contribué à leur succès.
 Avril IA en Action : 5 études de cas 29
2020

4.
Exploration des
connaissances en action
L'exploration des connaissances aide les entreprises à découvrir des informations
latentes à partir de vastes quantités de données afin de prendre des décisions plus
éclairées, d'automatiser les processus commerciaux et d'identifier les risques et les
opportunités. Microsoft estime que 80 % des données commerciales ne sont pas
structurées, ce qui rend les capacités d'exploration des connaissances nécessaires à
la transformation numérique.

Microsoft Azure Cognitive Search permet aux entreprises d'ingérer toute une
variété de données non structurées provenant de magasins de données distribués,
d'enrichir ces données avec des fonctions cognitives et le Machine Learning, et de
présenter ces données à l'utilisateur dans un format structuré.

Azure Cognitive Search est une plateforme en tant que service (PaaS) qui permet
aux entreprises, aux développeurs et aux chercheurs d'utiliser des compétences
cognitives pour enrichir leurs données et créer des compétences personnalisées
pour effectuer des transformations de données spécifiques au secteur et aux
applications en informations commerciales utiles.
 Avril IA en Action : 5 études de cas 30
2020

Le Met explore des collections pour de nouvelles connaissances

Le Metropolitan Museum of Art (le Met) abrite près de deux millions d'œuvres d'art et travaille
continuellement à étendre sa portée dans le monde entier. Il y a trois ans, le musée a lancé son
programme Open Access, visant à rendre les images et les données des œuvres du domaine public de
sa collection disponibles en ligne dans le cadre d'une promesse d'ouverture des données.

« Le Met accueille plus de sept millions de visiteurs physiques chaque année », explique Maria Kessler,
responsable du programme des partenariats numériques au Metropolitan Museum of Art. « Cependant,
notre objectif est d'atteindre les 3,9 milliards de visiteurs connectés dans le monde entier. »

Une telle entreprise nécessite de cataloguer et d'étiqueter chaque œuvre d'art du musée. Autrefois, cela
se faisait manuellement, ce qui nécessitait un immense investissement en ressources et en personnel
et entraînait un risque d'erreurs.

Solution et technologie
Grâce à Azure Cognitive Services, le Met peut recenser et classer automatiquement l'ensemble
de sa collection d'art. Le Met expérimente actuellement non seulement pour cataloguer et
étiqueter chaque œuvre, mais aussi pour générer de nouvelles connaissances sur la collection
à l'échelle. En plus de l'étiquetage de base, cette exploration des connaissances peut permettre
de découvrir de nouvelles relations entre les œuvres d'art de la collection et d'enrichir les
informations sur chaque pièce à l'aide d'informations accessibles au public.

Financial Fabric accélère l'acquisition de données

Pour les grandes entreprises, le traitement des documents nécessitait auparavant un investissement
important en ressources et en temps. Financial Fabric travaille régulièrement avec des clients
qui doivent traiter chaque jour des milliers de documents, tels que des rapports financiers et des
documents d'entreprise. La société a créé une technologie pour aider ses clients à traiter des données
structurées dans des feuilles de calcul, par exemple, mais elle avait besoin de s'attaquer aux données
semi-structurées contenues dans les documents de différents établissements financiers.

Solution et technologie
À l'aide d'un simple appel API REST à un service cognitif Azure connu sous le nom de Form
Recognizer, Financial Fabric a créé un nouveau service d'extraction de documents pour trouver
rapidement du texte, des champs et des tableaux dans les documents. Form Recognizer apprend
la structure des documents pour en extraire intelligemment le texte et les données.
 Avril IA en Action : 5 études de cas 31
2020

Financial Fabric a lancé deux projets pilotes avec Form Recognizer afin de créer des solutions de
traitement des données pour deux de ses clients. L'un d'eux était la trésorerie d'une entreprise
du Fortune 500, qui possède un important fonds spéculatif. L'autre client de la solution pilote
était également une entreprise du Fortune 500, dont la fiducie de trésorerie gère souvent des
milliards de dollars d'actifs. Avec les méthodes traditionnelles, la saisie des données de dizaines
de milliers de documents peut prendre des semaines ou des mois, mais Financial Fabric a obtenu
les mêmes résultats en quelques minutes.

« Nous pouvons extraire des données d'un fichier et les disposer sur un tableau de bord à une
vitesse inouïe, grâce à des latences pratiquement nulles ou de quelques minutes », explique
Subhra Bose, directeur général de Financial Fabric. « Il faut normalement des jours, voire des
semaines, pour passer d'un fichier à de l'analyse de données en tant que telle.. »

Mise en œuvre de l'exploitation des connaissances avec Azure AI

Ces entreprises ont utilisé les technologies suivantes :

• Recherche Azure Cognitive

• Azure Form Recognizer

• Azure Functions

• Portail Azure
 Avril IA en Action : 5 études de cas 32
2020

Mission technique : Adoption d'une compétence

Azure offre plus d'une douzaine de façons de transformer le contenu en utilisant des algorithmes
de Machine Learning prédéfinis. Ces compétences cognitives comprennent la détection de phrases
importantes, la traduction de textes, la synthèse de textes provenant de différentes sources, la
reconnaissance de personnes ou de lieux dans des images et l'identification du sentiment exprimé
dans un texte spécifique. Les entreprises peuvent facilement intégrer ces compétences dans leurs
applications.

À l'aide de l'API REST Cognitive Skillset et de JSON, une série de compétences peut être appliquée
pour transformer le contenu et enrichir les données. Dans l'exemple ci-dessous, la reconnaissance
d'entités est utilisée pour trouver les organisations mentionnées dans un document.

{
"@odata.type": "#Microsoft.Skills.Text.EntityRecognitionSkill",
"context": "/document",
"categories": [ "Organization" ],
"defaultLanguageCode": "en",
"inputs": [
{
"name": "text",
"source": "/document/content"
}
],
"outputs": [
{
"name": "organizations",
"targetName": "organizations"
}
]
}
 Avril IA en Action : 5 études de cas 33
2020

Mission technique : Définition d'une compétence personnalisée

Le Met a créé un classificateur personnalisé pour déterminer des classifications et des étiquettes
spécifiques pour les œuvres d'art. Les compétences personnalisées basées sur le Machine Learning
peuvent utiliser le même schéma JSON que ci-dessus, mais en se référant à un identificateur de
ressource uniforme (URI) qui indique l'emplacement de la compétence. Lorsqu'un modèle de Machine
Learning n'est pas nécessaire, une fonction Azure peut être utilisée pour la transformation. Tant que le
développeur suit le schéma d'entrée et de sortie, il peut utiliser n'importe quel langage et n'importe
quelle structure pour créer une compétence.

{
"description": "Extract image analysis.",
"@odata.type": "#Microsoft.Skills.Vision.ImageAnalysisSkill",
"context": "/document/normalized_images/*",
"defaultLanguageCode": "en",
"visualFeatures": [
"Tags",
"Categories",
"Description",
"Faces"
],
"inputs": [
{
"name": "image",
"source": "/document/normalized_images/*"
}
],
"outputs": [
{
"name": "categories"
},
{
"name": "tags"
},
{
"name": "description"
},
{
"name": "faces"
}
]
}
 Avril IA en Action : 5 études de cas 34
2020

Mission technique : Intégration de compétences avec des applications

Le portail Azure peut être utilisé pour rassembler des données, des compétences prédéfinies et des
fonctions personnalisées dans une application permettant de rechercher et d'enrichir des données.
Après avoir créé un magasin de données et importé des données, les utilisateurs peuvent relier
des compétences intégrées et personnalisées par l'intermédiaire du portail Azure. En sélectionnant
« Importer des données » sur le portail, les utilisateurs peuvent ensuite ajouter des enrichissements,
tels que des compétences prédéfinies et personnalisées.
 Avril IA en Action : 5 études de cas 35
2020

Conclusion
Ressources
Azure Cognitive Search permet aux
entreprises de rechercher dans des données
Créez votre compte gratuit Azure dès
non structurées, d'enrichir les informations
aujourd’hui
et de créer une application de recherche
personnalisée pour extraire des informations
Le Metropolitan Museum of Art explore
de leurs données d'exploitation. L'utilisation
l'utilisation de l'IA pour approfondir la
de l'IA par le Met permet au musée
compréhension du public de sa collection
d'encourager l'exploration de l'art par
encyclopédique
des moyens nouveaux et immersifs. Les
métadonnées générées par Cognitive
Une société de services de données utilise
Search pourraient permettre la création
Form Recognizer pour réduire le temps de
de nouvelles options de recherche et de
traitement des documents de plusieurs mois
navigation, donnant aux utilisateurs la
à quelques minutes
possibilité de voir où une œuvre a été créée
ou de comparer des objets illustrés à des
L'extraction de connaissances avec Azure
artefacts réels. Une analyse future pourrait
Cognitive Search
également aboutir à la présentation de
pièces visuellement similaires et permettre
Créez une compétence personnalisée en
la disposition des collections de différentes
utilisant l'API de Recherche d'entité Bing
manières, par exemple par support artistique
ou par période.

Financial Fabric s'attend à ce que

l'amélioration du traitement des données
réponde aux besoins croissants de ses clients,
qui sont des investisseurs qui souhaitent une
plus grande transparence de leur risque.
La capacité d'effectuer une analyse rapide
et précise de données en grand nombre
permettra aux organismes financiers de
fournir cette transparence beaucoup plus
facilement.
 Avril IA en Action : 5 études de cas 36
2020

5.
Prévisions
en action
L'une des principales promesses du Machine Learning est la prédiction et la prévision
de divers événements sur la base d'informations limitées, depuis le rendement des
actions d'une entreprise jusqu'au départ à temps d'un bus. Le service Microsoft
Azure Machine Learning donne aux entreprises les outils dont elles ont besoin.
 Avril IA en Action : 5 études de cas 37
2020

TransLink prévoit les départs des bus

Dans la région métropolitaine de Vancouver, TransLink aide plus de 400 millions de passagers chaque
année sur une zone de 1 800 kilomètres carrés. Les clients veulent savoir si leur bus est plein et s'il sera
à l'heure.

Solution et technologie
La société de transport a déployé 18 000 ensembles différents de modèles de Machine Learning
pour mieux prévoir les heures de départ des bus, en tenant compte de facteurs tels que la
circulation, le mauvais temps et les bus pleins. En utilisant des opérations de Machine Learning
(MLOps) avec Azure Machine Learning, la société a entraîné des modèles et déployé les meilleurs
outils de prédiction à la production. En fin de compte, les clients de TransLink ont constaté une
amélioration de 74 % des heures de départ prévues des bus.

Un autre projet s'est concentré sur la création d'une plateforme qui pourrait déterminer la
fréquentation des bus grâce au Machine Learning. Avec le soutien de Microsoft, un groupe
de stagiaires a utilisé les données de TransLink et Azure Machine Learning pour prévoir la
fréquentation des bus. En utilisant leur modèle, les stagiaires ont créé une application mobile
permettant aux gens de planifier leurs voyages en fonction de la fréquentation d'un bus à
différents moments de la journée, en vue de modifier les habitudes des usagers.

Johnson Controls rafraîchit les villes intelligentes

Depuis plus de 130 ans, Johnson Controls fabrique des équipements de chauffage, de ventilation et
de climatisation, des systèmes d'extinction d’incendie et du matériel de sécurité pour les bâtiments.
L'entreprise vise maintenant à révolutionner la ville intelligente, en appliquant le Machine Learning
pour prévoir les besoins de maintenance de ses équipements. Elle exploite actuellement des milliers
de refroidisseurs équipés chacun de 70 types de capteurs différents, qui transmettent des téraoctets
de données en continu.

Solution et technologie
L'utilisation d'opérations de Machine Learning (MLOps) Microsoft a permis de mettre les modèles
en production en temps voulu, avec un processus reproductible, pour fournir des informations
en temps réel sur les routines de maintenance. En conséquence, les pannes de refroidisseurs
pouvaient être prévus plusieurs jours à l'avance et atténués efficacement, ce qui permettait de
réaliser des économies et d'accroître la satisfaction des clients.
 Avril IA en Action : 5 études de cas 38
2020

Mise en œuvre de la prévision avec Azure AI

Ces entreprises ont utilisé les technologies suivantes :

• Azure Machine Learning

• Azure Functions

• Portail Azure

• Azure Blob Storage

Mission technique : Ingestion de données depuis Azure Blob

Pour prévoir des événements futurs, qu'il s'agisse de retards de bus ou de pannes de maintenance,
le modèle de Machine Learning doit être entraîné. La première étape de cet entraînement consiste
à ingérer des données depuis Azure Blob, le service de stockage dans le cloud de Microsoft. Le code
suivant, tiré d'un tutoriel sur GitHub, charge les données nécessaires à l'entraînement d'un réseau de
Machine Learning supervisé, les données pour tester le modèle et les données de confirmation, qui
sont les résultats réels que le modèle devrait prévoir.
 Avril IA en Action : 5 études de cas 39
2020

# The raw train data is stored on Azure Blob here:

basedataurl = "https://{user-account}.blob.core.windows.net/{data-
location}"

train_file_path = os.path.join(basedataurl,'PM_train.txt')
test_file_path = os.path.join(basedataurl,'PM_test.txt')
truth_file_path = os.path.join(basedataurl,'PM_truth.txt')

# Load raw training data from Azure blob

cols2drop = [{any columns to drop}]

# read training data

train_df = pd.read_csv(train_file_path, sep=" ", header=None)
train_df.drop(train_df.columns[cols2drop], axis=1, inplace=True)
train_df.columns = [{clean versions of columns headers}]
train_df.rename(columns={'id':'bus_route'}, inplace=True)

# read test data

test_df = pd.read_csv(test_file_path, sep=" ", header=None)
test_df.drop(test_df.columns[cols2drop], axis=1, inplace=True)
test_df.columns = train_df.columns
test_df.rename(columns={'id': 'bus_route'}, inplace=True)

# read ground truth data

truth_df = pd.read_csv(truth_file_path, sep=" ", header=None)
truth_df.drop(truth_df.columns[[1]], axis=1, inplace=True)

Mission technique : Création du cluster de calcul pour exécuter le modèle

Microsoft Azure propose plusieurs façons d'exécuter des modèles de Machine Learning. Dans cet
exemple, nous fournissons une ressource Azure ML Compute à quatre nœuds pour exécuter le modèle
d'entraînement. Azure offre également des options pour accélérer les réseaux de neurones profonds
en utilisant des matrices prédiffusées programmables par l'utilisateur (FPGA) et avec des processeurs
graphiques (GPU). L'instance de calcul peut également être configurée avec des fonctionnalités
supplémentaires, comme des bibliothèques pour aider à expliquer en détail l'importance des
fonctionnalités dans le réglage automatique des modèles.
 Avril IA en Action : 5 études de cas 40
2020

from azureml.core.compute import AmlCompute

from azureml.core.compute import ComputeTarget
import os

# choose a name for your cluster

compute_name = os.environ.get("AML_COMPUTE_CLUSTER_NAME", "cpu-cluster")
compute_min_nodes = os.environ.get("AML_COMPUTE_CLUSTER_MIN_NODES", 0)
compute_max_nodes = os.environ.get("AML_COMPUTE_CLUSTER_MAX_NODES", 4)

# This example uses CPU VM. For using GPU VM, set SKU to STANDARD_NC6
vm_size = os.environ.get("AML_COMPUTE_CLUSTER_SKU", "STANDARD_D2_V2")

if compute_name in ws.compute_targets:
compute_target = ws.compute_targets[compute_name]
if compute_target and type(compute_target) is AmlCompute:
print('found compute target. just use it. ' + compute_name)
else:
print('creating a new compute target...')
provisioning_config = AmlCompute.provisioning_configuration(vm_size = vm_
size,
min_nodes =
compute_min_nodes,
max_nodes =
compute_max_nodes)

# create the cluster

compute_target = ComputeTarget.create(ws, compute_name, provisioning_
config)

# can poll for a minimum number of nodes and for a specific timeout.
# if no min node count is provided it will use the scale settings for the
cluster
compute_target.wait_for_completion(show_output=True, min_node_count=None,
timeout_in_minutes=20)

# For a more detailed view of current AmlCompute status, use get_status()

print(compute_target.get_status().serialize())
 Avril IA en Action : 5 études de cas 41
2020

Mission technique : Déploiement du modèle et suivi

Les modèles de Machine Learning peuvent être déployés sur Azure Kubernetes Service en créant
une configuration de déploiement qui indique les ressources de calcul nécessaires, dans ce cas le
cluster que nous avons créé précédemment. Dans le cadre de la configuration du déploiement, vous
devez créer une configuration d'inférence pour décrire l'environnement nécessaire à l'hébergement
du modèle et du service web.

from azureml.core.webservice import AksWebservice, Webservice

from azureml.core.model import Model

aks_target = AksCompute(ws,"myaks")
# If deploying to a cluster configured for dev/test, ensure
that it was created with enough
# cores and memory to handle this deployment configuration.
Note that memory is also used by
# things such as dependencies and AML components.
deployment_config = AksWebservice.deploy_configuration(cpu_cores
= 1, memory_gb = 1)
service = Model.deploy(ws, "myservice", [model], inference_
config, deployment_config, aks_target)
service.wait_for_deployment(show_output = True)
print(service.state)
print(service.get_logs())
 Avril IA en Action : 5 études de cas 42
2020

Conclusion Ressources
Une application courante du Machine
Learning consiste à prévoir le comportement Créez votre compte gratuit Azure dès
de l'utilisateur ou à prévoir des événements. aujourd’hui
Azure Machine Learning propose de
nombreuses fonctionnalités qui permettent Des stagiaires Garage apportent le Machine
de faire des prévisions basées sur le temps, le Learning à TransLink
comportement des utilisateurs ou d'autres
facteurs. Azure Machine Learning : le ML pour tous
les niveaux de compétence

MLOps : la voie de la création d'un avantage

concurrentiel

Le Deep Learning pour la maintenance

prédictive

Auto-entraînez un modèle de prévision de

séries chronologiques
Avril IA en Action : 5 études de cas 43
2020

Conclusion
Qu'il s'agisse de chatbots, de vision par
ordinateur, de moteurs prédictifs ou de
recommandations personnalisées, le
Machine Learning et l'intelligence artificielle
permettent aux développeurs et aux data
scientists de transformer numériquement
leur activité. La suite de services d'IA d'Azure
donne aux organisations l'accès aux capacités
de Machine Learning les plus avancées
sans aucun code, tout en permettant
aux développeurs de personnaliser leurs
applications et en donnant aux data
scientists les moyens de créer de nouveaux
modèles d'apprentissage plus approfondis
qui améliorent leurs données.

Il en résulte une meilleure expérience pour les

clients, des connaissances plus approfondies
pour les entreprises et une mise sur le marché
plus rapide des produits. Microsoft Azure
fournit un accès à l'intelligence artificielle
clé en main, avec une facilité d'utilisation
inégalée qui permet aux développeurs
et aux professionnels des données d'être
opérationnels en quelques minutes.

Ouvrez un compte Azure gratuit dès

aujourd'hui. →

Demandez à être contacté par un spécialiste

Azure pour obtenir de l'aide sur les tarifs,
lancer votre projet, migrer des charges de
travail et plus encore. →