Domino's Pizza optimise son expérience client à la sauce MLOps

L'IA ne reste pas cantonnée dans les laboratoires. Domino's, dont le chiffre d'affaires annuel s'élève à 14 milliards de dollars, a relevé le défi de rendre opérationnel les modèles de machine learning en partie en s'appuyant sur Datatron, une jeune entreprise de cinq ans qui rivalise avec DataRobot, Google et d'autres dans la construction de plates-formes aidant les entreprises à rendre fonctionnels les modèles ML, également appelés MLOps.

Datatron est un ajout relativement récent à la recette de data science de Domino. Lorsque Zachary Fragoso a rejoint l'équipe en tant qu'employé n° 7 en 2018, Domino's exécutait des modèles pour son système de commerce électronique de manière traditionnelle. L'équipe attendait les extraits d'informations quotidiennes des magasins Domino's pour réentraîner un modèle de données, puis déposait un ticket auprès du service informatique pour obtenir les ressources nécessaires à l'exécution des modèles rafraîchis avec les données les plus récentes. Mais même ce délai relativement court de 24 à 48 heures entre le modèle et la production nuisait à la précision des données.

Refléter la réalité en temps réel

Aujourd'hui, l'équipe de data science compte 63 membres, déployant, exécutant et recalibrant les modèles ML avec Datatron et le logiciel d'orchestration de cluster de conteneurs Kubernetes fonctionnant dans le cloud privé de Domino. « Les capacités de visualisation du logiciel aident l'équipe à comprendre comment les prédictions relatives à l'expérience client et aux opérations en magasin évoluent dans le temps et lui permettent de rafraîchir ces modèles en fonction des données acquises », explique Zachary Fragoso.

Par exemple, Datatron offre à l'équipe d'effectuer des tests A/B en acheminant une petite quantité de trafic vers le site challenger « B » pour valider les derniers modèles, sans que cela n'ait d'impact sur l'équipe de commerce électronique ou les parties prenantes des opérations en magasin. « Nous améliorons, développons et mettons à jour les modèles en permanence, au fur et à mesure que de nouvelles données nous parviennent », ajoute ce manager en data science.

Trouver l’équilibre humain – machine

En fin de compte, le travail de l'équipe de data science avec Datatron a permis d'améliorer la planification de la main-d'œuvre en prévoyant les besoins en personnel pour chaque magasin, d'optimiser le trajet pour les chauffeurs de livraison et de repérer les emplacements pour construire de nouveaux magasins, parmi d’autres objectifs. Il a également permis à Domino's de suivre les modèles de données en cas de dérive, un phénomène courant dans les opérations des magasins, qui ont tendance à être dynamiques. « Si un élément change, les modèles doivent être mis à jour pour refléter la réalité », indique M. Fragoso.

La mise en œuvre de la plupart des technologies complexes peut être source de tensions, typique de la gestion du changement. C'est ce qui s'est passé avec Datatron chez Domino's, où l'informatique était traditionnellement fortement impliquée dans les efforts de production de l'équipe de data science. « C'est une situation gagnant-gagnant pour la science des données et l'informatique », précise Zachary Fragoso. « L'équipe dédiée est beaucoup plus engagée, tandis que l'informatique n'est pas obligée de consacrer des ressources pour répondre aux demandes de la data science », conclut-il.

L'équipe de data science de Domino lutte donc pour construire des modèles de données et les exécuter dans le monde réel. Selon une étude de Gartner publiée en 2020, 50 % des responsables informatiques auront du mal à faire passer leurs projets prédictifs de la phase de validation du concept à la phase de production d'ici 2023, en raison d'obstacles technologiques, de la mauvaise qualité des données et d'autres problèmes. Les politiques interdépartementales viennent également brouiller les pistes, ce qui nécessite une collaboration étroite entre les data scientists, les experts en systèmes sources, les architectes système, les développeurs d'applications et d'autres spécialistes.

Une collaboration entre la science des données et l'informatique

Selon Harish Doddi, directeur général de Datatron, si de nombreux scientifiques viennent effectivement d'horizons divers (statistiques, physique, etc.), la plupart d'entre eux n'ont pas d'expérience en informatique ou en programmation, et encore moins la capacité de travailler avec des infrastructures et des processus logiciels qui leur permettraient de faire évoluer leurs modèles.

« À l'inverse, la plupart des ingénieurs d'infrastructure manquent d'expérience dans la construction de modèles de données, d'où la nécessité d'une collaboration et d'une négociation entre la science des données et l'informatique », explique ce DG de Datatron, qui a constaté de telles lacunes dans les connaissances lorsqu'il occupait des postes d'ingénieur logiciel chez Lyft, Snap et Twitter avant de fonder Datatron.

Dans le cycle de vie typique d'un modèle d'IA, les data scientists développent des modèles et les remettent aux ingénieurs d'infrastructure, qui les lancent en production. Le logiciel de Datatron automatise une grande partie du blocage et de l'attaque technologiques que les équipes de science des données effectuent pour exécuter leurs modèles SAS, R, ML et de régression. Il permet également de surveiller les modèles en production, en les protégeant contre la « dérive du modèle », c'est-à-dire l'affaiblissement des propriétés prédictives en fonction de l'évolution des données. « Les modèles d'IA ne sont productifs que s'ils sont mis en production », conclut Harish Doddi. Le MLOps pourrait ainsi aider les data scientists à construire ce pont.