Pourquoi surveiller votre modèle

Principes de surveillance en Machine Learning

Hakim Elakhrass

Co-founder and CEO of NannyML

Machine learning en production

Processus de développement typique

Le flux en flèche comprend quatre éléments essentiels : définir le projet, préparer les données, entraîner le modèle et le déployer.

Après le déploiement

Version mise à jour du flux de développement en science des données, avec une nouvelle flèche pour la surveillance après le déploiement. Des flèches relient aussi la surveillance aux étapes de préparation des données, d'entraînement du modèle et de déploiement, afin d'améliorer ces processus de façon itérative selon les observations de performance.

Réduire le risque d'échec

Le cas de Zillow

Une affiche « À vendre » devant une maison.

Causes possibles d'échec du modèle :

Problèmes logiciels
Dérive des données d'entrée
Changement du lien entre variables explicatives et cibles

Maximiser l'impact d'affaires

Optimiser le modèle selon les objectifs d'affaires

Réduire les coûts infonuagiques

L'image montre une pyramide de six blocs de bois. La base forme un « KPI » avec une lettre par bloc. Les autres étages représentent la croissance, l'atteinte des objectifs et l'efficacité.