Cette analogie avec la cuisine a vraiment touché les gens et les a aidés à comprendre le rôle et l’importance de l’expertise en la matière, des données de qualité, de l’ingénierie des données et pourquoi il est si long de mettre au point une preuve de concept efficace pour la production.

Mon espoir est que cela vous aide dans votre cheminement pour comprendre ou expliquer les projets machine learning à d’autres!

Données = Ingrédients

Les ingrédients et les données sont les matières premières. Conformément à la phrase populaire, garbage in, garbage out , si les ingrédients (données) sont en décomposition et infestés, rien ne peut être fait pour rendre les résultats finaux agréables.

 

Ingénierie des données = préparation des ingrédients

Le fait que la plupart du temps consacré à la cuisine soit consacré à la préparation et à la transformation des ingrédients plaise à tous ceux qui ont eu un coup de main dans la cuisine. C’est donc avec l’ingénierie de données. Au lieu de couper en tranches, de mariner et de hacher, nous avons l’ingénierie des fonctionnalités, le nettoyage des données et la normalisation.

 

Algorithmes d’apprentissage machine = Techniques de cuisson

Pour la plupart, ces choses arrivent par elles-mêmes .
· Une pomme de terre crue + une casserole d’eau bouillante + 15 minutes = une pomme de terre douce.
· Données étiquetées + régression logistique + 15 minutes = coefficients et rapports de côtes.

Bien sûr, les chefs (et les praticiens du blanchiment de capitaux) qui comprennent les propriétés de leurs ingrédients et de leurs techniques sont essentiels à un bon résultat.

 

Architecture matérielle et logicielle = Batterie de cuisine et ustensiles

Différents outils et outils de différentes tailles sont nécessaires pour différents problèmes. Une recette confortable pour deux requiert des compétences et un équipement différent de ceux nécessaires pour en accueillir 2 000. De même, le traitement de 1 000 lignes de données ou de documents peut s’exécuter sur un ordinateur portable, mais le traitement d’un milliard de lignes peut nécessiter des langages de programmation distribués et des serveurs spécialisés.

 

Domaine Expertise = Expertise Chef

En fait, tout amateur débutant peut cuisiner!

Cela dit, avoir des chefs cuisiniers experts pour la cuisine ou au moins les conseiller améliorera grandement tous les plats. De même, le fait d’avoir une expertise améliore considérablement les projets et produits d’apprentissage automatique.

Il existe en fait deux types d’expertise: le domaine commercial (marché financier, cheminements cliniques, par exemple) et le domaine technique (traitement du langage naturel, par exemple). Les projets les plus réussis nécessitent un partenariat étroit entre les deux types d’experts.

 

 Les équipes techniques internes

Si vous travaillez dans une grande entreprise où il existe une demande croissante et une confiance accrue avec le machine learning pour aider l’entreprise à croître ou à se développer, il est essentiel d’investir dans les talents internes. Sous-traiter chaque projet machine learning à un fournisseur tiers, c’est comme un restaurant qui sous-traite chaque commande à d’autres restaurants. C’est coûteux, lent, inflexible et manque de cohérence et d’échelle.

? Ebook gratuit : 7 soft skills essentiels pour devenir Data Scientist

? Cet article peut intéresser un ami(e), partagez lui

? Participe gratuitement à nos prochains Meetup

La note globale de cet article est
[Total: 0 Average: 0]
Est-ce que cet Article vous a été utile? Utile Pas utile
Partager cet article