I. INTRODUCTION : Contexte et rappel Juridique Conformité et régulation RGPD Les règles des données sensibles La gestion des données sensibles II. Cartographie des données sensibles Une étape nécessaire Un processus assez simple, mais laborieux Quel outil pour la...
data – innovation – process – digitalL'INTELLIGENCE ARTIFICIELLE APPLIQUÉE AU MARKETING Lundi 13 avril 2020 à 14h00L'intelligence artificielle au service du BTP et de l'immobilier Mercredi 15 avril 2020 à 14h00L'intelligence artificielle au service de la santé Jeudi...
Langages : HTML : Langage qui constitue la base de n'importe quelle page Web (Boutons, titres, paragraphes), il est le seul à avoir ce rôle et ne possède pas d'intelligence à proprement parler. C'est un langage composé de balises. CSS : Marche de pair avec le HTML, il...
Avec la multiplication des sources d'informations, des articles partagés, des livres publiés, cette avancée technologique peut nous sauver du burn-out. Comment synthétiser articles, textes, livres en un clin d'oeil ? Les équipes de Salesforce ont développé un...
Comment personnaliser davantage le traitement anti-cancéreux ? Nous avons rencontré de nombreux oncologues. Ils sont de plus en plus confrontés à cette problématique : comment donner le traitement anti-cancéreux le plus approprié au patient de façon fluide et rapide ?...
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.
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.
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.
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.
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.
