3 erreurs courantes à éviter avec le Machine Learning

Je suis un grand fan des technologies de Machine Learning et de Deep learning et de l’Intelligence Artificielle en général. Après tout, vous ne pouvez pas être un geek sans imaginer avoir une conversation avec un être artificiellement intelligent qui peut répondre à vos questions et exécuter vos tâches ! Cela dit, j’ai aussi vu le Machine Learning et le Deep Learning mal appliqués dans de nombreuses organisations. Tous ont des solutions simples pour la plupart et le Machine Learning est certainement une des tendances qui a le plus d’avenir mais a-t-il un intérêt dans toutes les situations ? Il faut l’utiliser judicieusement et de façon appropriée.


Voici les trois principales erreurs récurrentes que j’ai pu observer.

1. Pas assez de données pour avoir un apprentissage convenable

Le Machine Learning, sans apprentissage, ne vaut rien. Le véritable cas d’usage du Machine Learning est l’application d’algorithmes à une quantité massive de données et l’émergence de modèles d’apprentissages permettant l’amélioration du traitement de ces dites données.

Donc, pas de données, pas d’apprentissage. Bien qu’une application de Machine Learning puisse recueillir des données au fil du temps et devenir plus intelligente et efficiente, elle a besoin d’un point de départ avec suffisamment de données pour enseigner au système comment penser en premier lieu.

Par exemple, il existe des systèmes auto-apprenant qui fonctionnent dans les hôpitaux. Ils se chargent de notifier au personnel que vous risquez de mourir pendant votre séjour à l’hôpital. En dessous d’un datalack de 100 000 différentes métadata (ou point de calcul), vous pouvez compter sur une probabilité de 0 ou 10 %, ce qui n’est pas utile et trop peu fiable.

2. Utiliser le Machine Learning là où il n’est pas nécessaire

C’est l’échec le plus courant que j’ai vu, ce qui fait que les entreprises dépensent trois ou quatre fois plus que les coûts de développement normaux pour utiliser le Machine Learning dans une application, et ce, sans aucune raison.

La logique procédurale fonctionne bien la plupart du temps, de sorte que l’établissement d’une base de connaissances pour, disons, un système de comptabilité ou un système d’ordonnancement est un peu exagéré et superflu.

Pire encore, les applications qui en résultent sont beaucoup moins efficaces que les anciens systèmes. La technologie a du bon, mais faire de l’innovation pour faire de l’innovation ne peut mener qu’à l’échec.

3. Ne pas comprendre l’impact sur la performance

L’intégration de systèmes de Machine Learning dans des applications peut parfois les rendre beaucoup plus stratégiques pour l’entreprise. Cependant, il peut aussi impacter négativement la performance de l’application.

Pensez-y : Un service de Machine Learning intégré pourrait avoir une latence beaucoup plus importante lorsqu’il exécute des algorithmes sur des données. Si cette application doit fournir une réponse en temps (quasiment) réel, toute la valeur du Machine Learning disparaît rapidement compte tenu de la perte de performances. Ne pas oublier également dans le cadre des plateformes « on-demand » que le coût de traitement pourrait s’envoler sur le long terme.


N’hésitez pas à partager les différentes erreurs que vous avez vous aussi pu observer dans les commentaires.

3 erreurs courantes à éviter avec le Machine Learning
Notez ce post
Pierre Brévart

DSI d'un grand groupe automobile Français j'ai toujours eu à coeur de promouvoir des solutions innovantes, économiques et éco-responsable. Aujourd'hui je partage ma veille publiquement dans ce que j'appelle mon "Labo Digital". Je teste pour vous les dernières innovations en matière de système d'information et de nouvelles technologies.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *