La mise en place d’une équipe opérationnelle dès le premier jour
Ippon a déployé une équipe pluridisciplinaire composée de développeurs full stack, Data scientists et Machine Learning engineers, opérationnelle et en mesure de délivrer dès le premier jour de la prestation. L’équipe a su s’intégrer et être complémentaire aux collaborateurs Data de CaRool, venant du monde de la recherche.
Cette réactivité a permis à CaRool de sortir son Minimum Viable Product (MVP) en 4 mois avec, à la clé, une application mobile fonctionnelle pour les utilisateurs.
Le développement d’une solution de Machine Learning Serverless et Multicloud
Les cas d’usages sur lesquels Ippon a eu à intervenir sont les suivants :
- La détection de caractéristiques du pneu et de sa référence (marque, modèle, dimension, lieu de fabrication, etc.)
- La détection de l’usure du pneu (craquelure, état de la gomme, etc.)
Dans les deux cas, il s’agissait de sujets totalement innovants avec aucune autre solution ne fournissant un service similaire sur le marché.
Ippon a accompagné les équipes CaRool dans la conception et la réalisation from scratch d’une solution de Machine Learning Serverless dans le Cloud, afin d’adresser le cas d'usage innovant de l’application tout en répondant aux besoins d’une startup comme CaRool (visibilité rapide sur les KPI et flexibilité de la solution).
Nous avons fait le choix du Cloud et d’une architecture Serverless afin de gagner en flexibilité et de se concentrer sur les problématiques métiers. L'objectif était de réduire au maximum le Time-to-market et d’assurer au plus vite la faisabilité technique du produit. Cette architecture nous a également permis de nous adapter très facilement à l’évolution de la volumétrie des données et des traitements, tout en contrôlant les coûts de fonctionnement et en limitant l’utilisation des ressources au stricte nécessaire.
Dans un souci d’efficacité et afin d’adresser au mieux le cas d’usage de CaRool, nous avons fait le choix d’une solution basée sur de multiples approches qui, ensemble, nous ont permis d’atteindre les résultats escomptés.
- Le développement d’algorithmes de traitements d’image spécifiques et inspirés de la littérature scientifique
- Le développement de modèles de Computer Vision et d’OCR entraînés par nos soins
- L’utilisation de services de Machine Learning As A Service pré-entraînés fournis par les Cloud Providers.
Ainsi, bien que la solution soit hébergée sur AWS, nous avons opté pour les composantes Machine Learning, pour une approche multicloud. Cela nous a permis de combiner nos résultats afin d’optimiser nos performances.
Dès le début, une démarche d’amélioration continue à été adoptée afin de permettre à CaRool de suivre l’évolution du projet et ainsi de pouvoir nous adapter à tout moment à une évolution des besoins et de la volumétrie. De même, nous avons cherché à mettre en place les bonnes pratiques de développement et du Machine Learning dès les premières phases du projet. Nous avons ainsi conçu et livré un pipeline de CI/CD complet permettant de nous assurer de la qualité du code et de déployer automatiquement la solution sur de multiples environnements. Pour cela un pipeline MLOps a été mis en place à l’aide d’AWS SageMaker afin de suivre l’évolution des performances de nos modèles.
Enfin, le projet et l’environnement de travail de l’équipe Data ont été initié par Ippon. Cependant, dès que celui-ci s’est étoffé de collaborateurs de CaRool, nous avons veillé à les associer à chaque étape du projet. Plus précisément, nous les avons accompagnés dans leur montée en compétence sur les différentes technologies afin de faciliter leur autonomisation et leur bonne prise en main de la solution.
