Boucle de feedback, réentraînement et étiquetage

Machine Learning de bout en bout

Joshua Stapleton

Machine Learning Engineer

Boucle de feedback

  • Sortie du modèle utilisée comme entrée du système :
    • Utiliser métriques/prédictions pour guider l’évolution du système
    • Peut utiliser la surveillance du modèle

 

  • Partie intégrante du ML :
    • Permet un apprentissage/ajustement rapides
    • S’adapte mieux au changement

Deux flèches circulaires illustrant le principe d’une boucle de feedback

Machine Learning de bout en bout

Mise en œuvre de la boucle de feedback

Détection de dérive des données

  • La distribution des données d’entrée évolue dans le temps
  • Boucle de feedback : réentraîner sur des données récentes

Apprentissage en ligne

  • Réentraîner périodiquement selon l’évolution des données
  • Au-delà de la dérive : s’adapte aux changements de structure des données

Dérive des données

Apprentissage en ligne

Machine Learning de bout en bout

Dangers des boucles de feedback

Dangers…

  • Les sorties du modèle influencent les entrées
  • Ex. : recommandation sur les réseaux sociaux :
    • Maximiser l’engagement
    • Apprend à diffuser un certain type de contenu
    • Amène l’utilisateur à voir davantage ce contenu
    • etc.
  • Développe des comportements indésirables
  • Plus dangereux quand automatisé

Une grande croix rouge pour signaler un danger

Machine Learning de bout en bout

Meilleure utilisation de la boucle de feedback

  • Réactif :

    • Humain dans la boucle
    • Les prédictions du modèle ne modifient pas les données d’entrée

  • Prudence et supervision essentielles !

Un grand coche vert pour une meilleure utilisation

Machine Learning de bout en bout

Passons à la pratique !

Machine Learning de bout en bout

Preparing Video For Download...