L’acquisition de GitHub par Microsoft prouve que l’Open Source est rentable

Avant, les vendeurs de logiciels propriétaires considéraient les communautés d’ingénieurs logiciels qui se réunissaient pour partager le code qu’ils développaient pour les applications d’entreprise comme un fléau industriel. Aujourd’hui, ce fléau est une source d’avantage concurrentiel.

Sous la houlette de Microsoft, le fabricant de systèmes d’exploitation qui se transforme en fournisseur de services cloud, de plus en plus d’entreprises qui ont fondé leur entreprise dans le domaine des licences logicielles adoptent maintenant le développement open-source et produisent du code propriétaire pour la consommation publique.

logo github

En juin, Microsoft a acheté la plate-forme de développement GitHub, confirmant que la communauté de développement est une source importante de croissance des bénéfices. Les concurrents à la recherche de clients au niveau de l’entreprise ont suivi son exemple au cours des dernières semaines, avec les mêmes technologies émergentes comme l’intelligence artificielle (IA) et le machine learning (ML) qui imposent une charge transformationnelle à leurs clients professionnels.

Oracle et Salesforce font partie des sociétés qui prennent en charge les progiciels et les plates-formes de cloud computing qui fournissent les bases opérationnelles et le support commercial à un grand nombre de sociétés internationales.

Partant du principe que le déploiement du ML peut représenter une perte de ressources, des équipes de développeurs et de spécialistes des données construisent des modèles autour de particularités et de paramètres de données qui ne sont pas très applicables ailleurs – ainsi, les entreprises considèrent la distribution de code comme un moyen d’étendre leur portée.

Plus tôt ce mois-ci, Oracle a publié GraphPipe, un ensemble de bibliothèques et d’outils qui fournissent un standard commun pour les modèles construits avec TensorFlow (pour les réseaux neuronaux), PyTorch de Python (pour le traitement du langage naturel), Caffe et Apache MXnet (pour un apprentissage approfondi) et CNTK, le kit Microsoft Cognitive Took.

Visant l’efficacité maximale, GraphPipe s’occupe de la construction d’API et de déploiements de systèmes ML, tout en offrant des benchmarks de performance que le fabricant de logiciels d’entreprise de la Silicon Valley avait été un ML après coup.

Selon Oracle, GraphPipe facilite un environnement dans lequel les développeurs indépendants et les équipes peuvent apprendre les uns des autres afin de faciliter les implémentations ML, tant dans leurs propres systèmes que dans ceux des clients. Cette version fait partie d’une tendance qui a vu Oracle tourner les progiciels pour les conteneurs et pour les plates-formes informatiques sans serveur vers la communauté des développeurs.

Salesforce cherche également à réduire les maux de tête liés à l’implémentation de ML en lançant la semaine dernière sa bibliothèque TransmogriphAI pour les données structurées, similaire à celle qui fonctionne sur la plate-forme Einstein AI cloud qu’elle utilise pour servir ses clients.

Salesforce considère l’automatisation des processus itératifs de ML comme la préparation des données (la formation des modèles et les tests de systèmes) comme le moyen le plus efficace d’extraire et de traiter les données de l’ensemble de l’entreprise.

Plutôt que de créer des modèles ML basés sur les besoins et les paramètres individuels des clients, y compris les demandes croissantes de confidentialité des données sensibles des clients, la flexibilité est la marque distinctive de la gamme de produits Salesforce.

Rédigé en langage Scala général et construit à l’aide d’Apache Spark, un framework de cluster-computing qui utilise l’analyse en mémoire, les compteurs TransmogriphAI pour la dérive des données, le biais rétrospectif et la fuite d’informations qui peuvent compromettre la modélisation prédictive et les protocoles de formation ML.

ransmogriphAI sélectionne également l’algorithme approprié pour un ensemble de données en effectuant un “tournoi” de validation parmi une gamme de choix. Selon l’entreprise de San Francisco, le cadre permet aux scientifiques des données d’aller au-delà des cas d’utilisation et des ensembles de données qu’ils connaissent le mieux et de tirer parti de l’information provenant de l’ensemble de l’entreprise.

Ainsi, le même moteur de ML et les données de référence qui l’accompagnent peuvent être adaptés à l’industrie, à l’emplacement et à la démographie ; l’entreprise a signalé que jusqu’à trois milliards d’opérations prédictives sont exécutées quotidiennement sur Einstein avec cette technologie.

Microsoft développe également une suite open source pour ML. Présenté en avant-première en mai lors de la conférence des développeurs Build 2018 à Seattle, ML.NET permet aux utilisateurs, y compris ceux qui n’ont aucune expérience préalable en ML, de développer des modèles sur le système d’exploitation Windows de l’entreprise.

La suite permet la classification des données et l’analyse prédictive et offre des API pour les modules de formation. Microsoft dit que ML.NET a été conçu avec l’extension en tête, rendant la compatibilité avec les bibliothèques TensorFlow, Accord.NET et CNTK plausible.

Comme GraphPipe et TransmogriphAI, ML.NET se trouve sur GitHub. Étant donné la tendance à l’abandon du développement propriétaire, il n’est pas surprenant que c’est là que de nombreux fournisseurs de logiciels et de matériel à la recherche d’une place forte dans l’entreprise y contribuent également.

 

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

*

code