Maximisez vos cas d'utilisation d'apprentissage automatique avec Savvy AI

Find AI Tools
No difficulty
No complicated process
Find ai tools

Maximisez vos cas d'utilisation d'apprentissage automatique avec Savvy AI

Table des matières

  1. Introduction
  2. Mon expérience en tant que co-fondateur et président de Savvy AI
  3. L'écart entre les attentes commerciales et les applications de l'équipe de data science
    • 3.1 Les attentes de l'équipe commerciale
    • 3.2 Les attentes de l'équipe produit
    • 3.3 Les attentes de l'équipe d'ingénierie
  4. Les défis courants rencontrés par les équipes de data science
    • 4.1 Le manque de communication entre les équipes
    • 4.2 Les modèles prédictifs en isolation
    • 4.3 Le manque de mise à jour des modèles en production
  5. La résolution de l'écart d'attentes et l'optimisation des cas d'utilisation de l'apprentissage automatique
    • 5.1 Comprendre la motivation et les parties prenantes
    • 5.2 Expliquer les cas d'utilisation de l'apprentissage automatique aux non-initiés
    • 5.3 Évaluer et prioriser les cas d'utilisation en fonction de leur valeur, de leur risque et de leur difficulté
  6. La transition vers une équipe de prestation d'IA et d'apprentissage automatique
    • 6.1 Les rôles nécessaires dans une équipe de prestation d'IA
    • 6.2 Option A : Transformer votre équipe en une équipe de prestation d'IA
    • 6.3 Option B : Utiliser des outils d'apprentissage automatique existants
  7. Conclusion

Introduction

Bonjour à tous ! Je m'appelle Alex Mueller et je suis le co-fondateur et président de Savvy AI, une entreprise spécialisée dans l'apprentissage automatique. Dans cet article, je vais partager avec vous mon expérience et discuter de l'écart entre les attentes commerciales et les applications de l'équipe de data science. Je vais également vous présenter quelques techniques pour résoudre cet écart et maximiser les cas d'utilisation de l'apprentissage automatique. Alors, commençons !

Mon expérience en tant que co-fondateur et président de Savvy AI

Avant de créer Savvy AI, j'ai occupé le poste de directeur des produits dans une division dédiée à l'apprentissage automatique chez Synchrony Financial. Durant cette période, nous avons consacré beaucoup de temps à la création d'applications d'apprentissage automatique. Une des choses que nous avons apprises est qu'il existe un écart important entre les attentes commerciales et les applications de l'équipe de data science. Dans ce qui suit, je vais donc adresser cet écart et partager avec mes collègues de la data science des techniques pour le résoudre.

L'écart entre les attentes commerciales et les applications de l'équipe de data science

Lorsqu'une entreprise crée une équipe de data science, elle peut parfois penser que les membres de cette équipe pourront résoudre tous les problèmes sans difficulté. Mais très rapidement, les choses peuvent commencer à déraper. Voici quelques scénarios familiers qui illustrent cet écart :

3.1 Les attentes de l'équipe commerciale

Imaginez que vous êtes membre d'une équipe de data science et que vous venez de développer un modèle prédictif. Ce modèle peut prédire la probabilité qu'une personne accepte une offre de coupon, qu'un client ne rembourse pas son prêt, ou même le bénéfice probable d'une vente de voiture. Vous êtes fier de votre travail, mais quand vous présentez ce modèle aux membres de l'équipe commerciale, ils ne sont pas satisfaits. Ils veulent savoir comment cela va les aider à augmenter leur chiffre d'affaires, réduire les risques ou accroître leurs profits. Vous vous rendez compte que les modèles prédictifs en tant que tels ne répondent pas vraiment à leurs attentes.

3.2 Les attentes de l'équipe produit

De même, l'équipe produit peut être déçue des résultats fournis par l'équipe de data science. Ils veulent savoir quelles offres promouvoir ou quel prix fixer pour un produit, mais les modèles prédictifs ne leur donnent que des probabilités. Ils veulent un conseil clair : "Quelle offre dois-je afficher ?" ou "Dois-je accepter ou rejeter cette transaction de prêt ?", "À quel prix devrais-je fixer le prix de cette voiture ?".

3.3 Les attentes de l'équipe d'ingénierie

Même l'équipe d'ingénierie peut être frustrée par l'incapacité de l'équipe de data science à répondre à leurs besoins. Ils veulent une API claire et précise qui leur permette de récupérer les résultats des modèles et de les intégrer dans le logiciel, plutôt que de simplement obtenir des probabilités. Ils souhaitent des réponses binaires ou des recommandations précises pour faciliter leur travail.

Il devient évident que les modèles prédictifs et leur utilisation réelle sont deux choses radicalement différentes, et que cet écart d'attentes est un problème courant dans de nombreuses entreprises.

Les défis courants rencontrés par les équipes de data science

Maintenant que nous avons identifié l'écart d'attentes entre les différentes équipes, il est important de comprendre les défis auxquels les équipes de data science sont confrontées. Voici quelques problèmes couramment rencontrés :

4.1 Le manque de communication entre les équipes

Un des problèmes les plus fréquents est le manque de communication entre les équipes. Chaque équipe a sa propre vision de ce que l'équipe de data science devrait fournir, mais cette vision n'est pas toujours clairement communiquée. Cela conduit à des malentendus et à des attentes non satisfaites.

4.2 Les modèles prédictifs en isolation

Un autre problème est que les modèles prédictifs sont souvent développés et utilisés de manière isolée. Ils restent souvent sur l'ordinateur d'un membre de l'équipe de data science et ne sont pas intégrés dans le logiciel de production. Cela conduit à des modèles statiques qui deviennent rapidement obsolètes.

4.3 Le manque de mise à jour des modèles en production

Même lorsque les modèles sont intégrés dans le logiciel de production, ils ne sont souvent pas mis à jour régulièrement. Les équipes de data science ont parfois peur de la mise à jour des modèles, ce qui entraîne une obsolescence accrue.

Tous ces problèmes sont courants dans de nombreuses entreprises, y compris les grandes banques de Fortune 50 avec lesquelles j'ai travaillé. Il est donc essentiel de trouver des solutions pour résoudre cet écart d'attentes et maximiser les cas d'utilisation de l'apprentissage automatique.

La résolution de l'écart d'attentes et l'optimisation des cas d'utilisation de l'apprentissage automatique

La résolution de l'écart d'attentes entre les équipes commerciales, produit, ingénierie et data science nécessite des compétences spécifiques. Voici quelques étapes pour y parvenir :

5.1 Comprendre la motivation et les parties prenantes

Tout d'abord, il est important de comprendre la motivation de l'entreprise pour avoir créé une équipe de data science. Quelle est la raison sous-jacente derrière cette décision ? Est-ce pour faire concurrence aux autres entreprises qui ont également une équipe de data science ? Ou est-ce parce que le conseil d'administration considère l'IA comme l'avenir de l'entreprise ? Comprendre ces motivations permettra de mieux cibler les cas d'utilisation de l'apprentissage automatique.

Il est également essentiel de comprendre les différentes parties prenantes de l'entreprise. Chacune a des attentes spécifiques et parle un langage particulier. Par exemple, l'équipe commerciale souhaite trouver de nouveaux clients à cibler, le directeur financier veut réduire les coûts, et l'équipe produit souhaite rendre ses équipes plus productives. En comprenant les besoins de chaque partie prenante, il devient plus facile de proposer des cas d'utilisation pertinents.

5.2 Expliquer les cas d'utilisation de l'apprentissage automatique aux non-initiés

L'un des défis majeurs est d'expliquer les cas d'utilisation de l'apprentissage automatique aux non-initiés. Ces personnes peuvent être déconcertées par des concepts tels que les réseaux neuronaux convolutifs ou les modèles aléatoires. Il est donc important d'utiliser des termes simples et de fournir des exemples concrets.

Par exemple, vous pouvez expliquer qu'un cas d'utilisation de Type "décision" consiste à choisir la meilleure option parmi plusieurs possibilités. Un cas d'utilisation de type "recommandation" consiste également à choisir la meilleure option, mais avec un renforcement humain. Les cas d'utilisation de "classification" permettent de classer des données selon différentes catégories, tandis que les cas d'utilisation de "prédiction" permettent de prédire des événements futurs. Enfin, les cas d'utilisation de "génération" permettent de créer du texte ou des images à partir d'informations fournies.

5.3 Évaluer et prioriser les cas d'utilisation en fonction de leur valeur, de leur risque et de leur difficulté

Une fois que vous avez identifié les cas d'utilisation potentiels, il est important de les évaluer et de les prioriser en fonction de leur valeur, de leur risque et de leur difficulté. Les cas d'utilisation qui correspondent le mieux à la vision stratégique de l'entreprise et qui apportent le plus de valeur économique doivent être privilégiés.

Vous devez également tenir compte du risque associé à chaque cas d'utilisation. Par exemple, si une erreur dans le modèle peut avoir des conséquences graves, le risque est élevé. Quant à la difficulté, elle peut varier en fonction de la collecte de données, de l'implémentation technique ou de la nécessité de partenariats avec d'autres fournisseurs.

En évaluant et en priorisant les cas d'utilisation de manière systématique, vous pouvez vous assurer que votre équipe de data science se concentre sur les projets les plus pertinents et les plus rentables.

La transition vers une équipe de prestation d'IA et d'apprentissage automatique

Maintenant que nous avons abordé l'écart d'attentes et l'optimisation des cas d'utilisation de l'apprentissage automatique, il est temps de discuter de la transition vers une équipe de prestation d'IA et d'apprentissage automatique. Il existe deux options pour cela : l'option A consiste à transformer votre équipe existante en une équipe de prestation d'IA, tandis que l'option B consiste à utiliser des outils d'apprentissage automatique existants.

6.1 Les rôles nécessaires dans une équipe de prestation d'IA

Dans une équipe de prestation d'IA, il est essentiel d'avoir une combinaison de compétences. Vous aurez besoin de data engineers pour gérer la collecte et la préparation des données, de full stack developers pour construire la logique métier et créer des interfaces utilisateur, de devops et SRE pour gérer les environnements d'hébergement et le matériel d'apprentissage automatique, et bien sûr de data scientists pour construire et entraîner les modèles.

En fonction de la taille de votre équipe et de la complexité de vos projets, vous pourriez également avoir besoin d'un responsable de projet ou de produit pour superviser la prestation des cas d'utilisation d'apprentissage automatique.

6.2 Option A : Transformer votre équipe en une équipe de prestation d'IA

L'option A consiste à transformer votre équipe de data science existante en une équipe de prestation d'IA et d'apprentissage automatique. Cela signifie que vous devrez embaucher des data engineers, des full stack developers et d'autres membres pour compléter votre équipe de data scientists. Ensemble, vous serez en mesure de prendre en charge toutes les étapes de l'apprentissage automatique, depuis la collecte des données jusqu'à la mise en production des modèles.

Cette option nécessite des ressources supplémentaires et une coordination étroite entre les différentes équipes, mais elle vous donne un contrôle total sur la prestation des cas d'utilisation d'apprentissage automatique.

6.3 Option B : Utiliser des outils d'apprentissage automatique existants

L'option B consiste à utiliser des outils d'apprentissage automatique existants qui simplifient le processus de prestation d'IA. Ces outils offrent une interface conviviale, une contextualisation des modèles et une intégration facile dans le logiciel existant. Ils permettent également une mise à jour Continue des modèles, ce qui évite qu'ils deviennent obsolètes.

Il est important de choisir des outils de qualité et adaptés à vos besoins spécifiques. Ces outils peuvent faciliter grandement la transition vers une équipe de prestation d'IA et permettre à votre entreprise de tirer pleinement parti des cas d'utilisation de l'apprentissage automatique.

Conclusion

En conclusion, l'écart entre les attentes commerciales et les applications de l'équipe de data science est un défi courant dans de nombreuses entreprises. Cependant, il existe des moyens de le résoudre et d'optimiser les cas d'utilisation de l'apprentissage automatique. En comprenant les motivations et les parties prenantes de l'entreprise, en expliquant les cas d'utilisation de manière simple, en évaluant et en priorisant les cas d'utilisation, et en transitionnant vers une équipe de prestation d'IA et d'apprentissage automatique, vous pouvez vous assurer que votre entreprise tire pleinement parti de l'apprentissage automatique.

N'oubliez pas que votre objectif principal en tant que membre de l'équipe de data science n'est pas seulement de faire de la data science, mais de fournir des cas d'utilisation d'apprentissage automatique. C'est en atteignant cet objectif que vous apporterez une réelle valeur à votre entreprise.

Merci de m'avoir donné l'opportunité de partager ces informations. Si vous avez des questions, n'hésitez pas à me les poser.

Most people like

Are you spending too much time looking for ai tools?
App rating
4.9
AI Tools
100k+
Trusted Users
5000+
WHY YOU SHOULD CHOOSE TOOLIFY

TOOLIFY is the best ai tool source.