OrchestraML

Qu’est-ce qu’OrchestraML ?

OrchestraML est un outil de workflow de machine learning assisté par IA qui transforme un objectif ML en français courant en un pipeline guidé. Il prend en charge la recherche ou le téléversement de jeux de données, l’analyse exploratoire des données, le nettoyage, l’ingénierie des caractéristiques, la sélection de modèle avec AutoML, l’évaluation et le déploiement ou l’export d’un package.

Le produit est conçu autour d’un workflow multi-agents avec approbation humaine aux points de contrôle critiques. Il journalise les décisions en français courant, génère des rapports avec des métriques et des éléments d’explicabilité, et peut produire un package de modèle téléchargeable ou un endpoint API en direct.

Fonctionnalités clés

• Orchestration de pipeline multi-agents : des agents distincts gèrent l’orchestration, la sélection des jeux de données, l’EDA, le nettoyage, l’ingénierie des caractéristiques, la modélisation, l’évaluation et le déploiement.
• Points de contrôle humains : le pipeline s’interrompt à 6 étapes critiques pour que les utilisateurs puissent approuver ou orienter les décisions avant de continuer.
• Recherche de modèle AutoML : utilise FLAML AutoML avec des budgets de temps adaptatifs pour sélectionner un modèle en fonction de la taille du jeu de données et de la complexité de la tâche.
• Piste d’audit et reporting : enregistre les décisions de l’IA avec un raisonnement en français courant et produit un rapport à onglets avec métriques, graphiques, SHAP, vérifications des biais et options de déploiement.
• Préparation des données et diagnostics : inclut le profilage automatique, la gestion des valeurs nulles et des valeurs aberrantes, la détection des déséquilibres, la sélection de variables et des graphiques d’EDA comme les distributions, les heatmaps, les graphiques d’équilibre des classes et les boxplots.
• Options d’export et de déploiement : génère un ZIP prêt à l’emploi avec des fichiers comme model.pkl, scaler.pkl, predict.py, requirements.txt et un README, ou déploie une API en direct.
• Gestion de la sécurité : chiffre les jeux de données au moment du téléversement et les supprime après la fin du pipeline, en ne conservant que le modèle entraîné.

Comment utiliser OrchestraML

Commencez par décrire votre objectif ML en français courant, puis téléversez un jeu de données ou laissez les agents en trouver un pour vous. Le système exécute ensuite le pipeline étape par étape, en affichant les journaux et en demandant une approbation aux points de contrôle clés.

Une fois le workflow terminé, consultez le rapport avec les métriques, les explications SHAP, l’analyse des biais et les journaux de décisions de l’IA. À partir de là, téléchargez le package du modèle ou déployez le modèle obtenu sous forme d’API.

Cas d’usage

• Un étudiant qui construit son premier projet de machine learning sans coder manuellement le prétraitement, la sélection de modèle ou le déploiement.
• Un analyste qui dispose d’un CSV et veut un workflow guidé pour nettoyer les données, entraîner un modèle et examiner les performances.
• Un utilisateur qui a besoin d’éléments d’explicabilité comme des graphiques SHAP et des explications par prédiction avant de partager un modèle.
• Une équipe qui veut un pipeline contrôlé où les étapes majeures nécessitent une approbation au lieu d’une automatisation totalement autonome.
• Un workflow qui doit produire un livrable local packagé, incluant le modèle entraîné, les fichiers de prétraitement et un script de prédiction.

FAQ

• OrchestraML nécessite-t-il des compétences en ML ? Non. La source indique que les utilisateurs peuvent décrire leur objectif en français courant et n’ont pas besoin d’expertise ML pour commencer.
• Puis-je téléverser mon propre jeu de données ? Oui. Le produit prend en charge soit le téléversement d’un jeu de données, soit la recherche d’un jeu de données gérée par les agents.
• Le pipeline s’exécute-t-il sans supervision ? Non. Il comprend 6 points de contrôle humains où le pipeline s’interrompt pour approbation avant de poursuivre les actions critiques.
• Que contient la sortie ? Le rapport inclut des métriques, l’explicabilité SHAP, l’analyse des biais et des options de déploiement, et le produit peut aussi exporter un package téléchargeable.
• Prend-il en charge le déploiement en direct ? Oui. La source indique que les utilisateurs peuvent soit télécharger le package du modèle, soit déployer une API en direct.

Alternatives

• Les workflows traditionnels basés sur des notebooks : offrent plus de contrôle manuel et de flexibilité, mais obligent l’utilisateur à gérer étape par étape l’analyse, le nettoyage, l’entraînement et le packaging.
• Les plateformes AutoML managées : se concentrent sur la sélection et l’entraînement automatisés des modèles, mais mettent moins l’accent sur un workflow multi-agents à points de contrôle ou sur un niveau similaire de détail dans l’audit des décisions.
• Les pipelines MLOps construits à partir d’outils séparés : peuvent couvrir la préparation des données jusqu’au déploiement, mais nécessitent généralement d’assembler et de maintenir plusieurs composants plutôt que d’utiliser une seule interface guidée.
• Le scripting manuel avec des bibliothèques ML Python : offre une personnalisation maximale, mais fait peser sur l’utilisateur l’ensemble de l’EDA, de l’ingénierie des caractéristiques, de l’évaluation et de la configuration du déploiement.