banner machine learning
September 25, 2017

Pourquoi un projet de machine learning peut être une fausse bonne idée ?

Cinq pré-requis à valider avant de se lancer dans un projet Machine Learning

Lors d’une conversation avec Peter Novig, responsable R&D à Google, Marcos Sponton s’est aperçu qu’ils partageaient le même ressenti : Dire que leur entreprise “fait du Machine Learning” les met mal à l’aise.

Marcos est le CEO de Machinalis, startup de Big Data basée à Cordoba. Tout comme Peter, il a réalisé que le Machine Learning n’est jamais le coeur du projet. La part de R&D investie dans le Machine Learning représente bien souvent une maigre fraction de l’effort de R&D total. Voire est totalement absente car réservée à une phase ultérieure, une fois l’application développée.

Le Machine Learning, c’est la cerise sur le gâteau. Mais attention, la cerise pourrait bien vous rester en travers de la gorge.

Aujourd’hui, les dirigeants investissent dans des projets Machine Learning car:

  • ils sont à la tête d’une grande entreprise dont le business / la data est spécifique et nécessite un traitement particulier. Dans ce cas le gâteau existe déjà et la cerise est essentielle.

  • ils sont à la tête d’une startup et veulent transformer leur prototype en MVP prêt à mettre en production. Dans ce cas il s’agit déjà de cuisiner le gâteau avant d’y déposer la cerise.

Quand investir dans un projet de Machine Learning ?

1. Vous savez que vous vous lancez dans un projet de développement logiciel ET de recherche

Même pour les projets dont la problématique machine learning est bien circonscrite, le degré d’incertitude est toujours supérieur à un projet traditionnel. Et trois fois plus élevé si le résultat attendu est lié à des indicateurs de précision. Votre équipe doit donc être prête à travailler à partir de résultats qui ne sont pas 100% certains et vous devez avoir conscience que 80% de l’effort peut être concentré sur 20% du résultat attendu.Il faut également garder à l’esprit qu’il existe un fossé, sinon un gouffre, entre le “ c’est possible” annoncé par les recherches universitaires et la réalité de la mise en production d’un tel logiciel. Gouffre parfois si grand qu’il est infranchissable à l’instant t.

2. Vous considérez que les modèles prédictifs développés ont une valeur en soi.

Ce sont des apprentissages directement extraits des données et contraintes propres à votre projet. Ce sont donc de véritables incréments auxquels n’ont pas accès vos concurrents.

3. Vous impliquez l’équipe technique et l’équipe business au projet.

Il faut éviter de travailler en silos. Sinon vous risquez d’obtenir un résultat techniquement impressionnant mais totalement déconnecté de vos objectifs business. Il faut également garder à l’esprit le coût important de l’équipe qui travaille sur le projet de Machine Learning. Pour éviter toute perte de temps et donc d’argent, il faut fluidifier au maximum l’intégration du projet à l’existant.

4. Vous connaissez l’adage clé du Machine Learning : “Garbage in, garbage out”

Si vos données en entrée sont de mauvaise qualité, aucune valeur ne pourra être créée à la sortie. Et si vos objectifs de départ sont mal définis, le Machine Learning ne vous sera d’aucune aide.

5. Vous voyez le gâteau avant la cerise

Les startups en phase de démarrage n’ont généralement pas besoin de Machine Learning. Il suffit de goûter un morceau de gâteau, voire une cerise, pour tester la valeur ajoutée et savoir si vous désirez vous lancer dans le projet.

Vous êtes prêts à franchir tous ces obstacles ? Alors, à vos fourneaux !

Cet article a été publié initialement sur le blog de Machinalis par son CEO, Marcos Sponton. Merci à Marcos Sponton de nous avoir donné son accord pour le traduire ici.

Si vous souhaitez en savoir plus sur les projets Machine Learning, contactez-nous.

Articles Similaires

Quelle éthique pour le futur de l’IA ?

L'IA nous entoure déjà et pourtant 24 % des Français sont réfractaires à l’IA. Pourquoi ?

Pourquoi la maintenance prédictive va révolutionner l’industrie ?

La maintenance prédictive permettra aux entreprises d’économiser 630 milliards de dollars d’ici 2025.

Comment réussir son POC data

Découvrez les challenges à relever pour cette phase critique