IA : un grand écart entre preuve de concept et production

« Ceux d’entre nous qui travaillent dans le domaine de l’apprentissage automatique sont vraiment doués pour réussir sur un ensemble de test », a expliqué Andrew Ng, le pionnier de l’apprentissage automatique, « mais malheureusement, déployer un système nécessite plus que de bien réussir sur un ensemble de test. ».

S'exprimant via Zoom lors d'une session de questions-réponses organisée par DeepLearning.AI et Stanford HAI, Ng était interrogé sur les raisons pour lesquelles les modèles d'apprentissage automatique formés pour prendre des décisions médicales qui fonctionnent à peu près au même niveau que les experts humains ne sont pas utilisés dans les établissements médicaux, rapporte IEEE Spectrum.

« Toute l'IA, et pas seulement les soins de santé, pâtit d'un écart entre la preuve de concept et la production », précise-t-il. « Le cycle complet d'un projet d'apprentissage automatique ne se résume pas à la modélisation. Il s'agit de trouver les bonnes données, de les déployer, de les surveiller, de les renvoyer [dans le modèle], de montrer la sécurité, de faire tout ce qui doit être fait [pour qu'un modèle] soit déployé. [Cela va] au-delà de bien faire sur l'ensemble de test, ce qui, heureusement ou malheureusement, est ce à quoi nous excellons dans l'apprentissage automatique. »

Vous n'avez pas encore de notification

Page d'accueil
Options d'affichage
Abonné
Actualités
Abonné
Des thèmes sont disponibles :
Thème de baseThème de baseThème sombreThème sombreThème yinyang clairThème yinyang clairThème yinyang sombreThème yinyang sombreThème orange mécanique clairThème orange mécanique clairThème orange mécanique sombreThème orange mécanique sombreThème rose clairThème rose clairThème rose sombreThème rose sombre

Vous n'êtes pas encore INpactien ?

Inscrivez-vous !