Le défi de l’ingénierie boosts ai/ml
Alors que les charges de travail d’IA/ML devenaient de plus en plus critiques pour la plateforme technologique juridique de Clio, les responsables de l’ingénierie ont dû faire face à une complexité opérationnelle croissante. Tom Heinan, directeur de l’ingénierie chez Clio, dirigeait plusieurs équipes travaillant sur des modèles d’apprentissage automatique pour l’analyse de documents, l’intelligence contractuelle et l’automatisation de la recherche juridique. Chaque équipe fonctionnait avec des outils de gestion de projet différents, créant un écosystème fragmenté qui entravait la visibilité et la coordination.
Renforce l’ingénierie de l’Ai/Ml : Table des matières
- Le défi de l’ingénierie boosts ai/ml
- La solution
- Mise en œuvre
- Principaux résultats
- Questions fréquemment posées
- Conclusion
Le défi était multiple. Les responsables de l’ingénierie passaient trop de temps à agréger des mises à jour d’état provenant de systèmes disparates, à suivre manuellement les dépendances entre les pipelines d’entraînement ML et les déploiements de production, et à traduire les progrès techniques en résultats commerciaux pour les parties prenantes. Les projets d’IA/ML s’étendant sur des mois d’expérimentation, de formation de modèles et d’amélioration itérative, il devenait de plus en plus difficile de maintenir une visibilité claire sur les projets.
Les outils de gestion de projet traditionnels n’ont pas été conçus pour les flux de travail uniques du développement de l’apprentissage automatique. Les projets d’IA/ML impliquent des phases expérimentales où l’on s’attend à des échecs, des mesures de performance des modèles qui fluctuent au cours de la formation et des dépendances complexes entre les équipes d’ingénierie des données, de développement de modèles et d’infrastructure, contrairement aux fonctionnalités logicielles standard. Les équipes de Tom se noyaient dans les réunions d’état et les rapports manuels, ce qui réduisait le temps disponible pour le travail d’ingénierie proprement dit.
Les inefficacités de l’ingénierie boosts ai/ml se sont aggravées au fur et à mesure que Clio développait ses capacités d’IA/ML dans plus de 130 pays. Les responsables de l’ingénierie avaient besoin d’une solution capable de s’adapter à la nature itérative du développement de l’apprentissage automatique tout en offrant la transparence et la responsabilité dont la direction avait besoin pour prendre des décisions stratégiques.
La solution d’ingénierie boosts ai/ml
La plateforme de gestion de projet de Linear offrait une approche rationalisée spécifiquement adaptée aux flux de travail de l’ingénierie AI/ML. La solution a permis de relever les principaux défis de Clio grâce à trois capacités clés :
- Visibilité unifiée du flux de travail : Linear a consolidé tout le suivi des projets AI/ML dans une plateforme unique, éliminant ainsi la nécessité pour les responsables de l’ingénierie de naviguer dans plusieurs outils et systèmes pour obtenir des mises à jour de l’état d’avancement.
- Suivi intelligent des problèmes : Types de problèmes personnalisés et étiquettes spécialement conçues pour les flux de travail de ML, y compris les cycles d’entraînement des modèles, la maintenance du pipeline de données et les tâches d’optimisation de l’inférence.
- Rapports et analyses avancés : Des tableaux de bord en temps réel qui traduisent automatiquement les progrès techniques en mesures adaptées aux parties prenantes, réduisant ainsi de 75 % la charge de travail liée à l’établissement de rapports manuels.
L’implémentation de boosts ai/ml engineering Linear s’est concentrée sur la création d’une expérience transparente pour les responsables de l’ingénierie qui supervisent des initiatives complexes d’IA/ML. Des flux de travail personnalisés ont été conçus pour s’adapter à la nature expérimentale du développement de l’apprentissage automatique, où les projets pivotent souvent en fonction des résultats des performances des modèles. La flexibilité de la plateforme a permis aux équipes de tout suivre, de la préparation des ensembles de données et de l’ingénierie des fonctionnalités au déploiement et à la surveillance des modèles.
Les capacités d’intégration de Linear se sont avérées essentielles pour les flux de travail d’IA/ML. La plateforme s’est connectée directement avec des outils ML populaires comme MLflow, Weights & Biases et Kubernetes, mettant automatiquement à jour le statut du projet en fonction des cycles d’entraînement, des déploiements de modèles et des changements d’infrastructure. Cette automatisation de l’ingénierie IA/ML a permis d’éliminer les frais généraux manuels qui consommaient auparavant des heures de gestion de l’ingénierie chaque semaine.
La solution d’ingénierie boosts ai/ml a également abordé les défis uniques de communication dans les projets AI/ML. L’approche structurée de Linear pour la description des problèmes et le suivi des progrès a aidé les responsables de l’ingénierie à communiquer les concepts techniques aux parties prenantes non techniques, en comblant le fossé entre le travail d’ingénierie ML complexe et les objectifs de l’entreprise.
Renforce l’ingénierie de l’Ai/Ml : Mise en œuvre
Phase 1 : Découverte et planification
L’implémentation de l’ingénierie boosts ai/ml a commencé par une analyse complète des workflows de gestion de projet IA/ML existants de Clio. L’équipe de Tom a identifié les principaux points faibles dans les différentes disciplines d’ingénierie, des modèles de traitement du langage naturel utilisés dans l’analyse des documents aux systèmes de recommandation qui alimentent les fonctions de recherche juridique. La phase de découverte a révélé que les responsables de l’ingénierie consacraient 40 % de leur temps à des tâches administratives plutôt qu’à la planification stratégique et à la direction d’équipe. L’équipe d’implémentation de Linear a travaillé en étroite collaboration avec Clio pour cartographier les flux de travail existants et concevoir des types de problèmes personnalisés, des modèles de projets et des structures de rapports adaptés aux cycles de développement de l’IA/ML.
Phase 2 : Déploiement pilote
Un déploiement contrôlé a commencé avec l’équipe d’infrastructure frontale de Tom, qui a géré plusieurs points d’intégration AI/ML critiques. Le pilote d’ingénierie boosts ai/ml s’est concentré sur le suivi des pipelines de déploiement de modèles d’apprentissage automatique et sur les projets d’optimisation des performances de l’API. Le système d’étiquetage flexible de Linear a permis à l’équipe de catégoriser le travail en fonction des étapes du cycle de vie de l’apprentissage automatique : préparation des données, formation des modèles, validation, déploiement et surveillance. L’intégration avec les systèmes CI/CD existants de Clio a automatisé les mises à jour de statut, réduisant immédiatement la charge de travail liée aux rapports manuels. Le projet pilote a démontré une réduction de 60 % du temps consacré aux réunions d’état et à la coordination du projet.
Phase 3 : Lancement à grande échelle
Suite aux résultats positifs du projet pilote, Linear a été déployé dans toutes les équipes d’ingénierie de Tom. L’évolutivité de la plateforme d’ingénierie boosts ai/ml s’est avérée essentielle car d’autres équipes ont adopté le système pour les fonctionnalités ML des applications mobiles, l’automatisation des systèmes de conception et les projets d’intelligence API. Des tableaux de bord personnalisés ont été créés pour différents groupes de parties prenantes, permettant aux dirigeants de suivre l’avancement du projet IA/ML à un niveau stratégique tout en fournissant aux ingénieurs des capacités de gestion des tâches détaillées. Les sessions de formation ont assuré une adoption cohérente au sein des équipes, l’interface intuitive de Linear réduisant le temps d’intégration à moins d’un jour par ingénieur.
« Linear a fondamentalement changé la façon dont nous fonctionnons en tant qu’organisation d’ingénierie. Ce qui me prenait des heures de coordination manuelle et de rapports se fait maintenant automatiquement. Je peux me concentrer sur la planification stratégique et le soutien de mes équipes au lieu de courir après les mises à jour de statut à travers de multiples systèmes. Les projets d’ingénierie AI/ML avancent plus rapidement et avec une bien meilleure visibilité qu’auparavant. »
– Tom Heinan, directeur de l’ingénierie chez Clio
Renforce l’ingénierie de l’Ai/Ml : Principaux résultats
L’implémentation de boosts ai/ml engineering de Linear chez Clio a apporté des améliorations mesurables à travers tous les indicateurs clés de performance. Les responsables de l’ingénierie ont déclaré avoir passé 75 % de temps en moins sur les rapports manuels et l’agrégation des statuts, libérant ainsi beaucoup de temps pour la planification stratégique et le développement de l’équipe. La réduction des réunions de statut a permis aux ingénieurs de se concentrer davantage sur le travail de développement complexe de l’IA/ML, ce qui a accéléré les délais des projets.
La visibilité du projet s’est considérablement améliorée, les parties prenantes ayant accès en temps réel à l’état d’avancement du projet AI/ML grâce à des tableaux de bord automatisés. Cette amélioration de la transparence de l’ingénierie IA/ML a permis d’éliminer les demandes de rapports ad hoc et de réduire les frais de communication entre les équipes d’ingénierie et les équipes commerciales. Le flux de travail normalisé a également amélioré l’intégration des nouveaux membres de l’équipe, réduisant ainsi le temps de montée en puissance des ingénieurs qui rejoignent les projets d’IA/ML.
Plus important encore, l’amélioration de l’efficacité opérationnelle a permis à Clio d’entreprendre des initiatives plus ambitieuses en matière d’IA/ML. Les responsables de l’ingénierie étant libérés des charges administratives, les équipes ont pu se concentrer sur l’innovation et l’excellence technique. L’évolutivité de la plateforme d’ingénierie boosts ai/ml a soutenu la croissance continue de Clio sur les marchés internationaux, en maintenant l’efficacité opérationnelle même lorsque la complexité des projets augmentait.
Questions fréquemment posées
Qu’est-ce que l’AIML ?
L’IA/ML fait référence à l’intelligence artificielle et à l’apprentissage automatique, deux domaines étroitement liés de l’informatique. Boosts ai/ml engineering I englobe les systèmes capables d’effectuer des tâches nécessitant généralement une intelligence humaine, tandis que ML se concentre spécifiquement sur les systèmes capables d’apprendre et de s’améliorer à partir de données sans programmation explicite. Dans le contexte de la plateforme technologique juridique de Clio, l’IA/ML alimente des fonctions telles que l’analyse de documents, l’intelligence contractuelle et l’automatisation de la recherche juridique.
ChatGPT est-il AI ou ML ?
ChatGPT est à la fois un système d’IA et de ML. Il s’agit d’un système d’IA car il peut engager des conversations et générer des réponses textuelles semblables à celles des humains. Il utilise des techniques de ML, en particulier l’apprentissage profond et les réseaux neuronaux transformateurs, pour comprendre et générer du langage. Le modèle d’ingénierie boosts ai/ml a été formé sur de grandes quantités de données textuelles à l’aide d’algorithmes d’apprentissage automatique, ce qui en fait un excellent exemple de la façon dont les techniques d’apprentissage automatique permettent d’obtenir des capacités d’IA.
Pourquoi parle-t-on d’IA/ML ?
On parle d' »IA/ML » parce que ces domaines sont interconnectés et souvent utilisés ensemble dans des applications pratiques. L’IA est le concept plus large des systèmes intelligents, mais l’apprentissage automatique est la principale méthode pour parvenir à l’IA aujourd’hui. La plupart des systèmes d’IA modernes s’appuient sur des algorithmes d’apprentissage automatique pour fonctionner, de sorte que le terme combiné « IA/ML » représente avec précision la pile technologique. Dans des contextes d’entreprise comme celui de Clio, les projets impliquent généralement à la fois des capacités d’IA et les techniques d’apprentissage automatique qui les rendent possibles.
En quoi le ML diffère-t-il de l’IA ?
L’IA est un domaine plus large axé sur la création de systèmes intelligents, tandis que la ML est une approche spécifique permettant d’atteindre l’IA grâce à l’apprentissage basé sur les données. Boosts ai/ml engineering I inclut les systèmes basés sur des règles et d’autres approches sans apprentissage, tandis que ML utilise spécifiquement des algorithmes qui améliorent les performances grâce à l’expérience. Considérez l’IA comme l’objectif (comportement intelligent) et la ML comme l’une des principales méthodes pour atteindre cet objectif (apprentissage à partir de données). Dans la pratique, la plupart des systèmes d’IA modernes utilisent des techniques de ML, ce qui explique que la distinction soit souvent floue dans les applications du monde réel.
Conclusion
La mise en œuvre de Linear chez Clio démontre comment la bonne plateforme de gestion de projet peut transformer les opérations d’ingénierie AI/ML. En relevant les défis uniques des flux de développement de l’apprentissage automatique, Linear a permis aux équipes d’ingénieurs de Tom de travailler avec une efficacité et une visibilité sans précédent. La réduction de 75 % des rapports manuels et de 60 % des réunions d’état a permis aux responsables de l’ingénierie de se concentrer sur les initiatives stratégiques et le développement de l’équipe.
Le succès de l’ingénierie IA/ML chez Clio illustre des tendances plus larges dans la gestion de projets IA/ML, où les outils traditionnels sont souvent insuffisants pour répondre à la nature itérative et expérimentale du développement de l’apprentissage automatique. La flexibilité et les capacités d’intégration de Linear se sont avérées essentielles pour gérer des projets complexes d’IA/ML entre plusieurs équipes et parties prenantes. Comme l’IA/ML continue à prendre de l’importance dans toutes les industries, les plateformes de gestion de projet efficaces comme Linear deviendront de plus en plus critiques pour les organisations d’ingénierie qui cherchent à maximiser leur potentiel d’innovation tout en maintenant l’excellence opérationnelle.
