Data Flywheel

Un volant d’inertie des données est une boucle autoentretenue dans laquelle un modèle d’IA déployé génère des données — notamment ses entrées, ses prédictions, ses erreurs et les commentaires des utilisateurs — qui sont sélectionnées et organisées pour constituer de meilleures données d’entraînement pour la version suivante. Chaque version traite correctement davantage de cas, un meilleur produit attire plus d’utilisateurs, et cette utilisation accrue génère davantage de données nécessaires à la prochaine version. Le nom vient du volant d’inertie mécanique, qui demande un effort initial pour se mettre en mouvement, puis emmagasine de l’énergie cinétique.

En vision par ordinateur, la boucle se concentre sur les cas difficiles : les images où un détecteur a manqué un objet, déclenché une fausse alerte ou produit un score de confiance faible. Un système d’inspection visuelle rencontre de nouveaux matériaux et reflets après son lancement, et un modèle d’inventaire dans le commerce de détail doit gérer les emballages saisonniers ; ces images valent donc la peine d’être annotées. L’équipe Autopilot de Tesla a présenté une version bien connue de cette approche, qu’elle appelait moteur de données, lors de l’Autonomy Day 2019 : les cas où le réseau obtenait de mauvais résultats étaient extraits de la flotte, annotés et ajoutés à l’entraînement. Les produits construits sur des grands modèles de langage suivent la même boucle avec les évaluations, les modifications et les conversations, qui alimentent les jeux de données d’évaluation, le réglage fin et l’apprentissage par renforcement à partir de retours humains.

Fonctionnement d’une boucle de données#

Chaque cycle passe par la collecte, la revue, le réentraînement et une décision de mise en production :

La collecte détermine quelles données de production entrent dans la boucle. Tout stocker coûte cher et produit surtout des données redondantes ; les systèmes conservent donc les entrées informatives : prédictions à faible confiance, désaccords entre modèles, corrections des utilisateurs, classes rares et entrées révélant une dérive des données. Sélectionner les exemples qui permettront au modèle d’apprendre le plus est le rôle de l’apprentissage actif.

La revue transforme les entrées collectées en vérités terrain. Les annotateurs dans la boucle confirment ou corrigent chaque étiquette, suppriment les doublons et les contenus sensibles, puis ajoutent les exemples approuvés à un jeu de données versionné, afin que chaque modèle puisse être relié aux données qui ont servi à son entraînement.

Le réentraînement produit un modèle candidat qui doit surpasser le modèle actuel sur un jeu de test fixe mis de côté — souvent un jeu de données de référence soigneusement sélectionné — avant sa mise en production. Le déploiement progressif et la surveillance des modèles permettent ensuite de détecter les régressions et de lancer le cycle suivant.

Ultralytics Platform automatise l’étape de collecte grâce aux Agents, des flux de travail visuels dont le modèle Collect Uncertain Detections fait passer les images d’un jeu de données dans un modèle déployé, conserve celles contenant au moins une détection dont le niveau de confiance se situe dans une plage définie, par exemple de 0.25 à 0.5, puis les ajoute sans étiquette à un jeu de données de destination pour qu’elles soient examinées dans l’éditeur d’annotations.

Pourquoi les volants d’inertie s’enlisent#

Un volant d’inertie ne tourne qu’à la vitesse de son étape la plus lente, qui est souvent l’annotation humaine. Réinjecter les prédictions d’un modèle comme étiquettes sans revue humaine permet à ses erreurs de se renforcer. Un système qui agit en fonction de ses prédictions façonne aussi les données qu’il verra ensuite ; un système de recommandation n’apprend donc qu’à partir des éléments qu’il a choisi de montrer. En 2015, des chercheurs de Google ont cité ces boucles de rétroaction parmi les sources de dette technique cachée dans les systèmes d’apprentissage automatique. Évaluer chaque version sur un jeu de test qui évolue avec les données entrantes masque les régressions, et transférer des exemples de test dans l’entraînement provoque une fuite de données.

Volant d’inertie des données et termes connexes#

• IA centrée sur les données : pratique qui consiste à améliorer les modèles en améliorant les données. Un volant d’inertie applique cette approche en continu, la production fournissant les données.
• Apprentissage continu : met à jour un modèle à partir de nouvelles données au fil du temps tout en évitant l’oubli catastrophique des tâches précédentes. La plupart des volants d’inertie réentraînent plutôt le modèle sur l’ensemble du jeu de données, qui s’agrandit à chaque mise en production.
• Opérations d’apprentissage automatique (MLOps) : pipelines et outils de gestion des versions, d’entraînement, de déploiement et de surveillance qui assurent la reproductibilité de chaque cycle du volant d’inertie.
• Effets de réseau : un produit gagne en valeur à mesure que davantage de personnes l’utilisent. Un volant d’inertie des données ne procure un avantage durable que si cette utilisation génère des données que les concurrents ne peuvent pas facilement collecter.