PRO+ Contenu Premium/Applications & Données
Accédez au contenu Pro+ ci-dessous.
IA Frugale : comment entraîner des modèles avec peu de données ?
Cet article fait partie de l’ezine Applications & Données : N°10 - Automne 2020
De l’or, du pétrole, une matière brute rare et chère. C’est par ces appellations teintées de marketing que les éditeurs et certaines entreprises considèrent leurs réserves de données. De la BI à l’avènement de l’intelligence artificielle, il s’agit encore et toujours d’en tirer des indicateurs capables de faciliter la prise de décision et donc d’améliorer l’efficacité des activités en entreprise. Sauf que ces réserves s’avèrent de prime abord complexes à exploiter. Pour déployer des algorithmes de machine learning, il est de notoriété publique qu’il faut réunir énormément de données. Ensuite, il faut les filtrer, les trier, optimiser pour répondre à des cas d’usage particuliers. Avant cela, certaines organisations se heurtent à l’accès aux informations, obligeant les équipes de data science à travailler avec des jeux de données de taille réduite. Pas de data, pas de chocolat ? Les silos de données ont longtemps empêché des cas d’usage plus avancés de la data science. Cette problématique tend à se résorber, selon Christian ...
A lire Dans ce numéro
-
Applications & Données n° 10 : le Machine Learning est en action
Le numéro d’automne de notre revue dédiée aux applications métiers et à la gestion des données est entièrement consacré au Machine Learning et à la Data Science. Au menu : des conseils d’experts pour mener à bien vos projets de bout en bout, et deux retours d’expérience qui les ont appliqués à la SNCF et dans le secteur de la logistique.
-
Quand choisir un moteur de règles ou le machine learning
Le choix entre un moteur de règles et un algorithme de machine learning dépend de la complexité de la tâche décisionnelle à accomplir et du niveau d'expertise des équipes en interne.
-
SNCF Réseau optimise les entraînements de ses algorithmes avec le cloud
SNCF Réseau, filiale de la SNCF a choisi le cloud AWS pour déployer son environnement de traitement de données décisionnel et analytique. Son architecture très spécifique facilite l’entraînement d’algorithmes, dont ceux de computer vision pour détecter les anomalies sur les rails.
-
IA Frugale : comment entraîner des modèles avec peu de données ?
Entraîner des modèles de machine learning avec peu de données, est-ce possible ? Oui, mais les spécialistes considèrent que les techniques d’enrichissement sont suffisamment performantes pour généraliser les apprentissages de leurs modèles.
-
Feature engineering : cinq conseils essentiels pour améliorer vos modèles IA
De la compréhension de l'objectif escompté d'un modèle algorithmique à la prise en compte des spécificités du domaine d'application, des experts partagent les méthodes pour faciliter la phase de feature engineering.
-
Deep learning : réseaux neuronaux RNN et CNN quelles différences ?
Les réseaux de neurones convolutifs et récurrents sont à la base de nombreuses applications d’intelligence artificielle. Découvrez les différences entre ces deux types de réseau de neurones artificiels.