De la microélectronique aux infrastructures de télécommunications, les TIC voient leur place déjà importante s’accroître davantage. C’est le domaine de nombreux challenges qui font évoluer nos sociétés actuelles vers des futurs plus innovants et connectés. Ces vingt...
Green IT : l’écologie éthique et écologique de l’informatique
Dans nos sociétés modernes, on entend de plus en plus parler d’écologie. Tous les secteurs sont peu à peu concernés et graduellement ils sont tous amenés à se mettre au vert pour tendre chaque fois plus vers le développement durable. A l’heure du digital...
La place de l’intelligence artificielle dans le BIM
Le potentiel impact de l'IA sur le BIM est encore peu mesuré, mais tout le monde s'accorde à dire qu'elle s'avère avoir un potentiel non négligeable. L’IA est par exemple en mesure de montrer si un maquette ne correspond pas avec le cahier des charges....
Shadow IT – Comment gérer ?
Le Shadow IT, aussi appelé Rogue IT, est un phénomène de plus en plus présent au sein des entreprises. Mais savons-nous vraiment ce qu’est le « Shadow IT » ? Par le passé il était le fruit de l’impatience d’un employé souhaitant accéder rapidement à un logiciel ou à...
L’industrialisation des POC (Proof-of-Concept)
L’influence de la digitalisation, du design thinking, du lean et de l’agile La digitalisation modifie nos économies et notre manière de mettre en œuvre nos moyens de production, nos process ou notre processus de création de nouveaux produits. Ce passage vers cette...
Pourquoi le machine learning est-il compliqué ?
Comprendre les enjeux liés aux développements Machine Learning
Tous les jours, nous sommes confrontés au fait que les ressources (codeurs, ingénieurs, data scientists…) indispensables aux projets d’intelligence artificielle sont rares et difficiles à recruter.
Quelle différence entre un codeur “standard” et un codeur en “machine learning” ?
Des progrès considérables ont pourtant été réalisés pour rendre le machine learning plus accessible. Des MOOCs et des manuels bien rédigés ont transformé des études et années de recherche dans un format plus facile à digérer. Il n’est même pas toujours nécessaire de comprendre les lignes de code déjà disponibles dans des bibliothèques. Une compréhension de base du fonctionnement de l’algorithme et du développement peuvent suffire.
Pourtant le machine learning reste relativement complexe.
La recherche pure ne suffit pas à améliorer les modèles. De la créativité, de l’expérimentation et de l’empirisme sont nécessaires.
Le point de blocage ne vient pas des mathématiques, car le niveau requis n’est pas très élevé. Il faut avant tout pouvoir juger du type d’outil à utiliser pour une problématique spécifique. Cela nécessite donc une connaissance des algorithmes et des modèles disponibles, ainsi que leurs avantages et inconvénients respectifs.
Cette compétence s’acquiert par l’exposition à ces modèles (cours, manuels et articles), mais surtout en les testant soi-même. Ce processus d’apprentissage empirique n’est pas propre au machine learning, mais concerne tous les développements informatiques.
La véritable difficulté du machine learning réside dans la complexité à débugger le code.
Soit votre algorithme ne fonctionne pas, soit il n’est pas assez performant. Il est à la fois plus compliqué de comprendre ce qui ne fonctionne pas dans une algorithme de machine learning, et le délai d’impact du correctif est aussi plus long. Au lieu de quelques heures, les corrections peuvent mettre plusieurs jours.
Cela peut bien-sûr provenir du dataset en entrée. Les bugs dans les données engendrent souvent du bruit, des erreurs de prétraitement, ou reflètent aussi un manque de données. Les bogues dans le modèle peuvent impliquer des limitations réelles dans les capacités de modélisation.
Comment améliorer ses compétences en machine learning ?
Il s’agit de développer sa propre intuition pour savoir où quelque chose a pu dys- ou mal fonctionner. Quand de multiples facteurs peuvent être en cause, seule l’expérience vous aidera à vous perfectionner.