#techno

Apprentissage automatique automatisé (AutoML)

5 mars 2021

L’AutoML a pour objectifs l’optimisation et l’accélération des tâches humaines à travers une amélioration du quotidien. Les exemples sont nombreux mais je ne vais en citer ici que quelques-uns : classification automatique des déchets, optimisation de l’entretien des membranes de filtration de l’eau, amélioration des protocoles de sécurité informatique pour détecter les attaques…

 

 Apprentissage automatique automatisé (AutoML) : création de modèles en l’absence de programmation

 

L’AutoML consiste à optimiser le pipeline des projets de Data Science dans son intégralité. Nous faisons ici référence à la méthode Cross Industry Standard Process for Data Mining (CRISP-DM) dont les étapes principales sont : la compréhension du problème métier, la compréhension des données, la préparation des données, la modélisation, l’évaluation et le déploiement. Cette méthode est un guide décrivant, étape par étape, comment réaliser ces projets. Outre la phase de « compréhension du problème métier », l’AutoML vise à l’automatisation de tout le pipeline dans le but de faciliter la tâche des non-spécialistes du domaine.

Présentation : Le développement des modèles d’apprentissage automatique (machine learning) exige une organisation chronophage et pilotée par des experts : préparation des données, sélection des fonctionnalités, sélection des modèles ou des techniques, formation et ajustement. L’apprentissage automatique automatisé (automated machine learning, AutoML) vise à rendre viable ce processus à l’aide d’un certain nombre de techniques d’apprentissage statistique et d’apprentissage profond.

 

Intérêt : L’apprentissage automatique automatisé fait partie de ce qui est perçu comme un mouvement de démocratisation des outils d’IA, permettant à des utilisateurs dépourvus de connaissances poussées en programmation de développer des modèles d’apprentissage automatique. L’AutoML ne remplacera pas les Data Scientists ! Toutefois, il peut certainement être considéré comme un outil pour les aider et peut également constituer excellent moyen de faciliter l’accès des non-spécialistes à ce domaine si complexe, afin que ceux-ci puissent eux aussi bénéficier de l’expérience d’apprentissage automatique. Il fera également gagner du temps aux data scientists pour créer les modèles. La commercialisation de packs d’apprentissage automatique automatisé et l’intégration de ce procédé à des plateformes d’apprentissage automatique ne serait tarder.

 

Lire l’étude dans son intégralité :

https://www.pwc.fr/fr/decryptages/data/decouvrez-les-avancees-incontournables-en-matiere-dintelligence-artificielle.html

 

Vous devriez aimer

#métiers
La maintenance multitechnique et multiservice
#actu
Partenariat stratégique entre SamFM et Datapole
#actu
Industrie et maintenance prédictive
#actu
Le non entretien des équipements : impacts et coûts
#actu
DATAPOLE PARTICIPE AU SALON GLOBAL INDUSTRIE
#actu
5 avantages compétitifs de l’industrie 4.0