PRO+ Contenu Premium/Applications & Données
Accédez au contenu Pro+ ci-dessous.
Quand choisir un moteur de règles ou le machine learning
Cet article fait partie de l’ezine Applications & Données : N°10 - Automne 2020
Pour les organisations qui créent et mettent en œuvre des systèmes décisionnels, le choix entre les outils basés sur des règles et ceux basés sur l'apprentissage machine est essentiel pour la commodité d'utilisation, la compatibilité et le cycle de vie des applications. Un moteur de règles permet d'obtenir des résultats rapidement sans déployer d'IA, mais un investissement dans le machine learning doit grandement accélérer les tâches complexes. Les entreprises doivent comprendre les différences fondamentales entre les deux, leurs avantages individuels et leurs limites avant de tirer parti de l'un ou l'autre. Les différences entre un moteur de règles et un modèle de machine learning Le fonctionnement des systèmes basés sur des règles dépend de mécanismes conçus en amont de leur déploiement. Tout d'abord, une liste de règles est créée, souvent par un développeur interne, puis un moteur d'inférence ou un moteur de raisonnement sémantique effectue un cycle de correspondance, de résolution et d'action, en mesurant les informations à ...
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.