L’AI Data Fabric de F5 nous aide à accélérer l’entraînement et le déploiement de modèles de machine learning (ML) pour divers cas d’usage. L’un des principaux défis que l’AI Data Fabric contribue à relever est la rareté des données d’entraînement de qualité. Pour toute initiative de ML, la qualité, la diversité et le volume des données sont essentiels à la création de modèles efficaces.
Les données réelles ont toujours été la ressource privilégiée pour entraîner les algorithmes de machine learning (ML). L’AI Data Fabric bénéficie assurément de l’empreinte technologique de la vaste clientèle de F5 et de l’accès à des données réelles de grande qualité. Après tout, F5 se trouve sur le chemin des données de près de la moitié des applications dans le monde, avec 550 pétaoctets transitant chaque jour par les produits F5.
Cependant, ces dernières années, les données synthétiques se sont imposées comme une source de données d’entraînement particulièrement intéressante et occupent une place de plus en plus importante dans notre écosystème de machine learning.
Qu’est-ce que la donnée synthétique ?
Les données synthétiques sont des données générées artificiellement qui reproduisent les caractéristiques de jeux de données réels. Après avoir appris les propriétés statistiques et les structures de données réelles, nous pouvons générer des données artificielles présentant les mêmes propriétés que les données authentiques. Grâce à ces techniques, l’AI Data Fabric peut générer d’immenses volumes de données semblables à celles que nous recueillons auprès de nos clients.
Pourquoi utiliser des données synthétiques ?
L’utilisation de données synthétiques présente de nombreux avantages. Tout d’abord, elle permet de garantir la confidentialité et la conformité. Les données synthétiques peuvent être produites sans informations sensibles, ce qui en fait un excellent choix pour nos clients soumis à des réglementations strictes en matière de confidentialité ou à des politiques de sécurité rigoureuses. En utilisant des versions synthétiques de jeux de données sensibles, nous pouvons partager et analyser les données sans mettre en péril celles de nos clients. Nous pouvons également nous assurer que les modèles ne sont pas entraînés à partir des données de nos clients.
Deuxièmement, travailler avec des données réelles peut prendre beaucoup de temps et coûter cher : la collecte et l’annotation de volumes considérables de données représentent une véritable charge, ce qui ralentit le rythme de l’innovation. La génération de données réduit considérablement les coûts et accélère le cycle de développement de nos modèles.
La disponibilité des données réelles peut également être limitée. Les données d’entraînement de qualité sont rares, en particulier pour les événements peu fréquents. Les données synthétiques permettent de combler les lacunes et de rééquilibrer les classes sous-représentées dans des scénarios spécifiques. Par exemple, dans un jeu de données destiné à la détection d’attaques, les transactions courantes peuvent être largement plus nombreuses que les transactions malveillantes. Grâce aux données synthétiques, nous pouvons pallier cette pénurie : nos équipes peuvent tester des cas limites qui ne figurent pas dans les données réelles et explorer plus facilement des situations hypothétiques.
Enfin, il y a la sécurité. Grâce aux données synthétiques, nous pouvons générer des exemples contradictoires qui servent ensuite à tester la résistance des modèles aux attaques. Les données synthétiques permettent même de se prémunir contre des attaques telles que l’empoisonnement des données, qui consiste pour les attaquants à manipuler les données d’entraînement afin de compromettre les modèles d’IA.
Les inconvénients des données synthétiques
Si les données synthétiques présentent de nombreux avantages, elles appellent également certaines précautions. Par exemple, leur génération nécessite des algorithmes avancés et un haut niveau d’expertise pour être efficace. Les données synthétiques posent aussi des problèmes de réalisme : les modèles entraînés exclusivement à partir de telles données risquent de ne pas être performants dans des situations réelles. Les données d’entraînement peuvent être trop simplistes et ne pas refléter la complexité et les nuances des données réelles, ou les modèles peuvent être surajustés à des schémas propres aux données synthétiques qui ne se retrouvent pas nécessairement dans des situations réelles.
Malgré ces réserves, les données synthétiques peuvent s’avérer très utiles lorsque les données réelles sont rares, coûteuses ou sensibles. En comprenant leurs limites et en les prenant en compte dans le processus de développement des modèles, la génération de données synthétiques constitue un outil puissant dans l’arsenal d’apprentissage automatique de F5. Les données synthétiques nous permettent d’avancer plus rapidement et d’offrir à nos clients de bien meilleurs résultats sous la forme de modèles de machine learning fiables.
À propos de l’auteur
Articles de blog associés
F5 NGINXaaS pour Google Cloud : des applications résilientes et évolutives
Découvrez comment NGINXaaS s’intègre à Google Cloud pour renforcer les performances et la sécurité, et préparer vos applications critiques à un avenir propulsé par l’IA.
L’intégration de F5 Web Application Firewall (WAF) à AWS est disponible dès aujourd’hui
En faisant appel à un partenaire de déploiement AWS WAF tel que F5, vous pouvez renforcer la sécurité de vos applications web grâce à des règles personnalisées qui bloquent les schémas d’attaque courants, comme les injections SQL ou les attaques par scripts intersites (XSS).
Appliquer le principe de Peter Parker à l’inspection TLS
« Un grand pouvoir implique de grandes responsabilités. » Si l’on en trouve des échos chez Voltaire et Churchill, cette citation est surtout connue grâce aux bandes dessinées Spider-Man, où elle est attribuée à l’oncle Ben. Bien entendu, si cette phrase est si répandue dans la culture populaire, c’est notamment parce qu’elle peut s’appliquer à une multitude de situations et de sujets, y compris à l’inspection TLS.
Le NetOps a besoin de défenseurs, pas d’adversaires
Il est important de reconnaître que les équipes NetOps ne sont pas toujours celles qui font obstacle au déploiement de la dernière nouveauté, application ou service. Les freins à la rapidité sont souvent dus au fait que les organisations n’adoptent pas tous les principes du DevOps lorsqu’elles cherchent à transformer leurs opérations informatiques.
Mise à jour des services applicatifs : sécurité, rapidité et visiteurs suspects
Il est de nouveau temps de nous pencher sur les services applicatifs que les entreprises utilisent réellement pour rendre leurs applications plus rapides et plus sûres. On constate notamment une hausse du recours aux services de protection contre les bots, ainsi que la progression lente mais régulière de HTTP/2. Bien qu’il ne s’agisse pas d’une application…
Les templates prennent le contrôle du cloud
Les modèles s’imposent dans le cloud. Lisez le blog de F5 pour découvrir comment l’infrastructure en tant que code et les API déclaratives automatisent la mise à disposition des applications.