Python est le leader en Machine Learning depuis plusieurs années. Cela va-t-il durer ? On analyse la percée du langage Javascript.
Depuis mars 2018, il est possible d’utiliser la libraire de Machine Learning Tensorflow avec le langage Javascript.
Python étant une base incontestée dans ce milieu.. est-ce possible qu’il perde sa place de leader dans l’IA ?
Dans cet article, on vous propose de répondre à cette question, mais surtout de comprendre si vous devriez ajouter la corde Javascript à votre arc !
Python va-t-il garder sa place de numéro 1 ?
Le Machine Learning et Python
Commençons par un peu de contexte, le Machine Learning c’est quoi ?
Le Machine Learning c’est faire Apprendre à une Machine à résoudre une tâche.
Cela nécessite tout d’abord d’avoir des données sur laquelle la Machine va pouvoir s’entraîner.
Et cet entrainement ne se fait pas tout seul.
Il faut un développeur Python (ou R dans certains cas) qui va prendre le temps d’entraîner le modèle de Machine Learning.
Il va le tester, changer les réglages… sûrement plusieurs fois.
Pour finalement obtenir un modèle de Machine Learning fonctionnel et réutilisable dans d’autres algorithmes.
Javascript
Contextualisons ici aussi.
Javascript est un langage web pour créer des applications.
Il permet de fluidifier l’interface entre l’utilisateur et la Machine.
L’idée principale derrière Javascript est de permettre à tout le monde d’utiliser les fonctionnalités d’une application web.
Javascript permet ainsi de faciliter la vie des utilisateurs sur internet !
Et Javascript pour le Machine Learning ?
Le Machine Learning permet de créer un algorithme d’IA.
Le Javascript permet de créer une application.
Les deux utilisés ensemble permet de créer des applications de création d’IA.
C’est-à-dire que l’on va pouvoir entraîner des IA avec une application Javascript.
Ce concept à le potentiel de facilité la vie de milliers de développeurs !
Mais de vous à moi… faut-il développer des applications de création d’IA que seulement des développeurs utiliseront; ou au contraire, développer des applications augmenter par IA que tout le monde pourra utiliser ?
Chez Inside Machine Learning, on voit le Javascript non pas comme un langage de plus pour entraîner des IA mais ENFIN un langage pour permettre à tous d’utiliser des IA !
Dans ce contexte, Python garderait son utilité.
L’interface des notebooks Python est simple et déjà adoptée par la plupart des Data Scientists. Pourquoi la changer ?
Une fois que les modèles sont entraîner en Python, on peut facilement les rendre accessible en Javascript.
Car oui, Python à des forces mais pour ce qui est de la mise en production, ce n’est pas l’idéal… on rappelle notamment l’étude réalisée par VentureBeat, selon laquelle 87% des projets de Data Science ne sont jamais produit.
C’est là que le Machine Learning en Javascript interviendrait !
Ainsi Python et Javascript au lieu d’être concurrents pourraient se révéler complémentaire, chacun parant les défauts de l’autre !
Au fait, si ton objectif est d'apprendre le Deep Learning - j’ai préparé pour toi le Plan d’action pour Maîtriser les Réseaux de neurones.
7 jours de conseils gratuits d’un ingénieur spécialisé en Intelligence Artificielle pour apprendre à maîtriser les réseaux de neurones à partir de zéro :
- Planifie ton apprentissage
- Structure tes projets
- Développe tes algorithmes d’Intelligence Artificielle
J’ai basé ce programme sur des faits scientifiques, des approches éprouvées par des chercheurs mais également mes propres techniques que j'ai conçues au fil de mes expériences dans le domaine du Deep Learning.
Pour y accéder, clique ici :
À présent, on peut revenir à ce que je mentionnais précédemment.
Alors… à qui s’adresse le Machine Learning en Javascript ?
On vous propose plus bas nos conseils selon la branche qui vous correspond :
Les novices
Pour les novices souhaitant apprendre le Machine Learning, la solution la plus efficace est Python.
Effectivement, les notebooks Jupyter sont idéals pour apprendre.
Ils offrent une approche lisible du Machine Learning, le debuggage facile de son code et, en plus de ça, ils sont une référence dans le milieu.
Les Machine Learning Engineers
Pour les Machine Learning Engineers dont le but n’est plus d’apprendre mais bien de construire un algorithme de Machine Learning, on conseille aussi le langage Python.
Effectivement, les ML Engineers doivent être focus sur la structure de leur code, souvent modifier les paramétrages.
En fait si le Machine Learning était une voiture, les ML Engineers construirait le moteur.
Ils leur faut donc un garage propre pour pouvoir bien travailler. Et c’est ce que Python offre pour le Machine Learning.
Les MLOps
Le MLOps a un but bien différent.
Effectivement, son objectif est de créer un produit facilement utilisable.
Si les ML Engineers construisent des moteurs de voitures, les MLOps assemblent les pièces entre elles pour créer une voiture fiable et agréable à conduire.
Le Javascript est donc une option totalement légitime.
Avec, ils peuvent créer des applications et les délivrer rapidement sur le cloud.
On conseille aux développeurs MLOps de s’intéresser de près à l’option Javascript et pour les plus Pythonesque d’entre-eux, d’au moins y jeter un œil ! 😉
En tout cas si les MLOps ont une nouvelle concurrence avec Javascript, d’autres devraient se méfier de l’Auto ML.
Avec cette technique il est possible de construire un algorithme de Machine Learning en seulement 3 lignes de codes ! Plus d’infos dans cet article 🔥
sources :
Un dernier mot, si tu veux aller plus loin et apprendre le Deep Learning - j’ai préparé pour toi le Plan d’action pour Maîtriser les Réseaux de neurones.
7 jours de conseils gratuits d’un ingénieur spécialisé en Intelligence Artificielle pour apprendre à maîtriser les réseaux de neurones à partir de zéro :
- Planifie ton apprentissage
- Structure tes projets
- Développe tes algorithmes d’Intelligence Artificielle
J’ai basé ce programme sur des faits scientifiques, des approches éprouvées par des chercheurs mais également mes propres techniques que j'ai conçues au fil de mes expériences dans le domaine du Deep Learning.
Pour y accéder, clique ici :
