Disponibilité de la vérité terrain

Principes de surveillance en Machine Learning

Hakim Elakhrass

Co-founder and CEO of NannyML

Vérité terrain instantanée

Image d'un taxi liée à la prédiction d'arrivée de taxi.

Mesure la performance réelle
Évaluation facile
Précise

Données de production — instantané

Le graphique montre la performance d'un problème de classification : la « période de référence » correspond au jeu de test et la « période d'analyse » à un flot de données de production. Un tableau met aussi en évidence des valeurs de vérité terrain.

Vérité terrain différée

Image d'un portefeuille vide liée à la prédiction de défaut de paiement d'un prêt.

Délai selon l'application
Scénario possible : défaut de paiement d'un prêt
Performance inconnue entre-temps
Nécessite une estimation de performance

Données de production — différé

Vérité terrain absente

Image d'une police d'assurance liée au cas de tarification en assurance.

Présente dans les processus entièrement automatisés
Scénario possible : tarification en assurance
Performance réelle inconnue
Nécessite une estimation de performance

Données de production — absence

Passons à la pratique !

Principes de surveillance en Machine Learning