Difficile de faire avec une seule plate-forme DSML (data science & machine learning) ? Gartner le suggère dans son premier Magic Quadrant consacré à ce segment de marché.
On aura en tout cas soin, dans un contexte de décentralisation des activités de data science, à jauger la complémentarité des plates-formes disponibles, estime le cabinet américain. Tout en évitant de perdre de vue l’aspect décisionnel « dans le brouhaha de la GenAI »…
Couplées à des ressources d’infrastructure, les offres des hyperscalers prennent de l’ampleur, note Gartner. Les autres acteurs ont néanmoins leur carte à jouer sur des éléments tels que la collaboration entre équipes, ajoute-t-il.
Dans ce Magic Quadrant, les interfaces notebook et low code font partie des fonctionnalités considérées comme des capacités standards pour une plate-forme DSML. Même chose pour le support des outils et des processus MLOps. Étaient en revanche optionnels, entre autres :
– Recommandations pour la préparation, l’intégration et la modélisation de données – Création automatisée de modèles ML sur la base d’une prédiction cible sélectionnée manuellement – Interfaces de modélisation avancée (simulation, optimisation et use cases basés sur du deep learning) – Outillage pour les modèles génératifs (sélection et suivi des invites, des modèles et des outputs) – Techniques et outils augmentant la transparence et l’interprétabilité des modèles
Pour figurer au Quadrant, il fallait toucher certains personas. D’une part, les équipes de data science. De l’autre, des équipes métiers ou multidisciplinaires. Ce critère coûte leur place à Oracle et à Salesforce, qui bénéficient toutefois l’un et l’autre d’une « mention honorable ». Idem pour Baidu, qui ne satisfaisait pas aux exigences de couverture géographique. Et pour Snowfl...
[Courte citation de 8% de l'article original]