Directeur des connaissances en apprentissage automatique

Director of Machine Learning Knowledge

Peu de postes à la table de l’apprentissage automatique englobent à la fois les compétences techniques, la résolution de problèmes et les compétences commerciales comme les directeurs de l’apprentissage automatique

Les directeurs de l’apprentissage automatique et/ou de la science des données sont souvent chargés de concevoir des systèmes d’apprentissage automatique, de posséder une connaissance approfondie des mathématiques, de connaître les frameworks d’apprentissage automatique, de comprendre l’architecture des données, d’avoir de l’expérience dans l’application de l’apprentissage automatique à des applications réelles, de posséder de solides compétences en communication, et souvent de rester à jour sur les évolutions de l’industrie. Un défi de taille !

Pour ces raisons, nous avons sollicité ce groupe unique de directeurs de l’apprentissage automatique pour une série d’articles mettant en évidence leurs réflexions sur les insights actuels de l’apprentissage automatique et les tendances de l’industrie, allant de la santé à la finance, au commerce électronique, au SaaS, à la recherche, aux médias, et plus encore. Par exemple, un directeur notera comment l’apprentissage automatique peut être utilisé pour réduire la conduite de camions vides (qui se produit ~20% du temps) à seulement 19%, ce qui réduirait les émissions de carbone de ~100 000 Américains. Note : Il s’agit d’un calcul grossier, réalisé par un ancien scientifique de la fusée, nous le prendrons donc avec des pincettes.

• Classification d’opinions avec Kili et HuggingFace AutoTrain
• Accélérer la formation de modèles volumineux en utilisant la parallélisation des données entièrement partagées de PyTorch
• Une introduction à l’apprentissage par renforcement profond

Dans cette première partie, vous entendrez un chercheur (qui utilise un radar à pénétration de sol pour détecter les mines terrestres enfouies), un ancien scientifique de la fusée, un joueur amateur de Dzongkha (Kuzu = Bonjour !), un ancien scientifique vivant dans un van, un entraîneur d’une équipe performante en science des données toujours très impliqué, un praticien des données qui accorde de l’importance aux relations, à la famille, aux chiens et à la pizza. – Tous ces individus sont actuellement directeurs de l’apprentissage automatique et possèdent de riches connaissances dans leur domaine.

🚀 Rencontrons quelques-uns des meilleurs directeurs de l’apprentissage automatique et écoutons ce qu’ils ont à dire sur l’impact de l’apprentissage automatique dans leurs industries respectives :

Archi Mitra – Directeur de l’apprentissage automatique chez Buzzfeed

Contexte : Apporter un équilibre à la promesse de l’apprentissage automatique pour les entreprises. Les personnes avant le processus. La stratégie avant l’espoir. L’éthique de l’IA avant les profits de l’IA. Brown New Yorker.

Anecdote amusante : Je peux parler le Dzongkha (googlez-le !) et je soutiens Youth for Seva.

Buzzfeed : Une entreprise américaine de médias, d’actualités et de divertissement axée sur les médias numériques.

1. Comment l’apprentissage automatique a-t-il eu un impact positif sur les médias ?

Personnalisation respectueuse de la vie privée pour les clients : Chaque utilisateur est unique et si ses intérêts à long terme sont stables, ses intérêts à court terme sont aléatoires. Ils s’attendent à ce que leur relation avec les médias reflète cela. La combinaison des avancées dans l’accélération matérielle et de l’apprentissage profond pour les recommandations a permis de commencer à décrypter cette subtilité et de proposer aux utilisateurs le bon contenu au bon moment et au bon endroit.

Outils d’assistance pour les créateurs : Les créateurs sont des ressources limitées dans les médias et préserver leur créativité en utilisant des outils d’assistance basés sur l’apprentissage automatique et la collaboration entre l’homme et la machine a eu un impact considérable. Quelque chose d’aussi simple que suggérer automatiquement un titre approprié, une image, une vidéo et/ou un produit pouvant accompagner le contenu qu’ils créent permet de créer un cercle vertueux entre la machine et l’humain.

Tests resserrés : Dans une entreprise médiatique à forte intensité capitalistique, il est nécessaire de réduire le temps entre la collecte d’informations sur ce qui résonne auprès des utilisateurs et l’action immédiate qui en découle. Grâce à une variété de techniques bayésiennes et aux progrès de l’apprentissage par renforcement, nous avons été en mesure de réduire considérablement non seulement le temps, mais aussi les coûts qui y sont associés.

2. Quels sont les plus grands défis de l’apprentissage automatique dans les médias ?

Protection de la vie privée, voix éditoriale et couverture équitable : Les médias sont un pilier essentiel du monde démocratique, plus que jamais. L’apprentissage automatique doit respecter cela et fonctionner dans des contraintes qui ne sont pas strictement considérées comme des conditions de base dans d’autres domaines ou industries. Trouver un équilibre entre le contenu et la programmation rédigés par des éditeurs et l’apprentissage automatique basé sur des recommandations reste un défi. Un autre défi spécifique à BuzzFeed est que nous croyons que l’internet devrait être libre, ce qui signifie que nous ne suivons pas nos utilisateurs comme le font d’autres.

3. Quelle est l’erreur la plus courante que vous observez lorsque les gens essaient d’intégrer l’apprentissage automatique dans les médias ?

Ignorer “les créateurs” des médias : Les médias sont prédominants car ils abritent une voix qui a une influence profonde sur les gens. Les éditeurs, les créateurs de contenu, les écrivains et les créateurs sont le larynx de cette voix, et l’entreprise et la construction d’un apprentissage automatique qui les soutiennent, amplifient leur impact et fonctionnent en harmonie avec eux sont les ingrédients clés du succès.

4. Qu’est-ce qui vous excite le plus quant à l’avenir du ML ?

En espérant des systèmes de ML multi-modaux multi-tâches à usage général, basés sur de petites données, en temps réel, qui entraînent des améliorations exponentielles dans la découverte de médicaments, la chirurgie de haute précision, les systèmes de contrôle climatique et les expériences immersives dans le métaverse. En réalité, des techniques d’apprentissage méta plus accessibles et moins exigeantes pour la génération de texte et d’image hautement précise.

Li Tan – Directeur de l’apprentissage automatique et de l’IA chez Johnson & Johnson

Parcours : Li est un vétéran de l’IA/ML avec plus de 15 ans d’expérience à la tête d’équipes de science des données de haut niveau chez des leaders de l’industrie tels que Johnson & Johnson, Microsoft et Amazon.

Information amusante : Li continue d’être curieux, apprend constamment et aime la programmation pratique.

Johnson & Johnson : Une entreprise multinationale qui développe des dispositifs médicaux, des produits pharmaceutiques et des biens de consommation.

1. Comment l’IA/ML a-t-elle eu un impact positif sur l’industrie pharmaceutique?

Les applications d’IA/ML ont explosé dans le secteur pharmaceutique ces dernières années et ont de nombreux impacts positifs à long terme. L’industrie pharmaceutique et les soins de santé ont de nombreux cas d’utilisation qui peuvent tirer parti de l’IA/ML.

Les applications vont de la recherche et des preuves réelles à la fabrication intelligente et à l’assurance qualité. Les technologies utilisées sont également très variées : NLP/NLU, CV, AIIoT, apprentissage par renforcement, etc., même des choses comme AlphaFold.

2. Quels sont les plus grands défis de l’IA/ML dans l’industrie pharmaceutique ?

Le plus grand défi de l’IA/ML dans l’industrie pharmaceutique et les soins de santé est de garantir l’égalité et la diversité dans les applications d’IA. Par exemple, comment s’assurer que l’ensemble d’entraînement comporte de bonnes représentations de tous les groupes ethniques. En raison de la nature des soins de santé et de l’industrie pharmaceutique, ce problème peut avoir un impact beaucoup plus important par rapport à d’autres domaines.

3. Quelle est une erreur courante que vous voyez les gens commettre en essayant d’intégrer l’IA/ML dans l’industrie pharmaceutique ?

Je ne dirais pas que c’est nécessairement une erreur, mais je vois beaucoup de gens adopter des perspectives extrêmes lorsqu’il s’agit d’applications d’IA dans les soins de santé ; soit trop conservateurs, soit trop agressifs.

Certains sont réticents en raison de l’exigence réglementaire élevée. Nous avons dû qualifier bon nombre de nos applications d’IA par une validation stricte de bonnes pratiques de fabrication. Cela peut nécessiter beaucoup de travail, mais nous pensons que l’effort en vaut la peine. À l’opposé, il y a de nombreuses personnes qui pensent que les modèles d’IA/apprentissage profond peuvent surpasser les humains dans de nombreuses applications et fonctionner de manière totalement autonome.

En tant que praticiens, nous savons que pour l’instant, rien de tout cela n’est vrai.

Les modèles de ML peuvent être incroyablement utiles mais peuvent encore commettre des erreurs. Je recommande donc une approche plus progressive. La clé est d’avoir un cadre qui peut tirer parti de la puissance de l’IA tout en ayant des gardiens en place. La FDA a pris des mesures pour réglementer l’utilisation de l’IA/ML dans les logiciels en tant que dispositif médical et je pense que c’est un pas positif pour notre industrie.

4. Qu’est-ce qui vous excite le plus quant à l’avenir du ML ?

Les intersections entre l’IA/ML et les autres sciences dures et technologies. J’ai hâte de voir ce qui nous attend.

Alina Zare – Directrice du laboratoire d’apprentissage automatique et de détection à l’Université de Floride

Parcours : Alina Zare enseigne et mène des recherches dans le domaine de l’apprentissage automatique et de l’intelligence artificielle en tant que professeure au département de génie électrique et informatique de l’Université de Floride et directrice du laboratoire d’apprentissage automatique et de détection. Les recherches du Dr Zare se sont principalement concentrées sur le développement de nouveaux algorithmes d’apprentissage automatique pour comprendre et traiter automatiquement les données et les images.

Ses travaux de recherche ont inclus la phénotypisation automatisée des racines des plantes, l’analyse d’images hyperspectrales sub-pixel, la détection de cibles et la compréhension de scènes sous-marines à l’aide de sonar à ouverture synthétique, l’analyse de données LIDAR, l’analyse de données radar de pénétration terrestre et la détection de mines terrestres et de munitions explosives enfouies.

Fait amusant : Alina est une rameuse. Elle a rejoint l’équipe d’aviron au lycée, a fait de l’aviron tout au long de ses études universitaires et de troisième cycle, a été entraîneuse en chef de l’équipe de l’Université du Missouri lorsqu’elle était professeure adjointe, puis a pratiqué l’aviron en tant que rameuse maître lorsqu’elle a rejoint le corps enseignant à UF.

Laboratoire d’apprentissage automatique et de détection : Un laboratoire de l’Université de Floride qui développe des méthodes d’apprentissage automatique pour l’analyse et la compréhension autonome des données de capteurs.

1. Comment l’IA a-t-elle eu un impact positif sur la science ?

L’IA a eu un impact positif de plusieurs manières, en aidant à automatiser des tâches fastidieuses et/ou lentes ou en fournissant de nouvelles façons d’examiner et d’aborder différentes questions. Un exemple dans mon travail en IA pour les sciences végétales est que nous avons développé des approches d’IA pour automatiser la segmentation et la caractérisation des racines des plantes à partir d’images. Cette tâche était auparavant un goulot d’étranglement pour les scientifiques étudiant les images des racines. En automatisant cette étape grâce à l’IA, nous pouvons mener ces analyses à un débit beaucoup plus élevé et commencer à utiliser ces données pour étudier des questions de recherche en biologie des plantes à grande échelle.

2. Quels sont les plus grands défis de l’IA dans la recherche scientifique ?

Il y a de nombreux défis. Un exemple est lorsque nous utilisons l’IA pour la recherche scientifique, nous devons réfléchir soigneusement aux protocoles de collecte et de curation des données. Dans certains cas, les protocoles que nous utilisions pour l’analyse non basée sur l’IA ne sont pas appropriés ou efficaces. La qualité des données et leur représentativité par rapport à ce que nous attendons de l’application peuvent avoir un impact énorme sur les performances, la fiabilité et la crédibilité d’un système basé sur l’IA.

3. Quelle est l’erreur la plus courante que vous voyez les gens commettre lorsqu’ils intègrent l’IA dans la science ?

En lien avec la question précédente, une erreur courante est d’interpréter les résultats ou les performances comme étant uniquement une fonction du système d’IA, sans prendre en compte les protocoles de collecte, de curation, de calibration et de normalisation des données.

4. Qu’est-ce qui vous enthousiasme le plus dans l’avenir de l’IA ?

Il y a beaucoup de directions vraiment passionnantes. Une grande partie de mes recherches actuelles se situent dans des domaines où nous disposons d’une énorme quantité de connaissances préalables et de modèles empiriquement dérivés. Par exemple, je travaille actuellement sur l’utilisation de l’IA pour la recherche en écologie forestière. La communauté forestière dispose d’un riche corpus de connaissances préalables que les systèmes d’IA purement basés sur les données n’exploitent pas. Je pense que les méthodes hybrides qui fusionnent de manière transparente les connaissances préalables avec les approches d’IA seront une voie intéressante et passionnante à suivre. Un exemple pourrait être de comprendre à quel point il est probable que deux espèces coexistent dans une région, ou quelles sont les distributions d’espèces que nous pourrions attendre compte tenu de certaines conditions environnementales. Ces informations pourraient éventuellement être utilisées avec des méthodes basées sur les données pour faire des prédictions dans des conditions changeantes.

Nathan Cahill Ph.D. – Directeur de l’apprentissage automatique chez Xpress Technologies

Parcours : Nathan est un leader passionné de l’apprentissage automatique avec 7 ans d’expérience en recherche et développement, et trois ans d’expérience dans la création de valeur commerciale en expédiant des modèles d’IA en production. Il se spécialise dans l’identification et la priorisation stratégique des principaux problèmes de l’entreprise : exploiter le pouvoir des données dès les premières étapes de croissance.

Fait amusant : Avant de se lancer dans le transport et la logistique, j’ai travaillé sur la conception de fusées chez Northrop Grumman. #ScienceDesRockets

Xpress Technologies : Une technologie de mise en correspondance numérique des frets pour connecter les expéditeurs, les courtiers et les transporteurs afin d’apporter efficacité et automatisation à l’industrie du transport.

1. Comment l’IA a-t-elle eu un impact positif sur la logistique/le transport ?

L’industrie du transport est incroyablement fragmentée. Les principaux acteurs du secteur détiennent moins de 1% de parts de marché. Par conséquent, il existe des inefficacités qui peuvent être résolues par des solutions numériques.

Par exemple, lorsque vous voyez un camion semi-remorque sur la route, il y a actuellement 20% de chances que le camion roule à vide. Oui, 20% des kilomètres parcourus par un tracteur routier sont effectués entre le dernier dépôt de leur chargement précédent et leur prochaine prise en charge. Il y a de fortes chances qu’un autre camion roule à vide (ou “en retour à vide”) dans l’autre direction.

Avec l’apprentissage automatique et l’optimisation, ce pourcentage de trajets à vide peut être réduit de manière significative, et le simple fait de passer de 20% à 19% permettrait de réduire les émissions de carbone équivalentes à celles de 100 000 Américains.

Note : les émissions de carbone de 100 000 Américains étaient le résultat de mes propres calculs approximatifs.

2. Quels sont les principaux défis de l’apprentissage automatique dans la logistique ?

Le principal défi de la logistique réside dans le fait que l’industrie est très fragmentée : il n’y a pas de pool de données partagées qui permettrait aux solutions technologiques de “voir” le tableau d’ensemble. Par exemple, une grande partie des charges de courtage, peut-être la majorité, sont négociées de manière individuelle, ce qui les rend très volatiles. Cela rend la tarification très difficile à résoudre. Si l’industrie devenait plus transparente et partageait les données plus librement, beaucoup plus de choses deviendraient possibles.

3. Quelle est l’erreur la plus courante que vous voyez les gens commettre en essayant d’intégrer l’apprentissage automatique dans la logistique ?

Je pense que la plus grande erreur que je vois est que les gens font de l’apprentissage automatique et des sciences des données de manière isolée.

La plupart des applications d’apprentissage automatique dans la logistique vont modifier considérablement la dynamique du problème si elles sont utilisées, il est donc important de développer des modèles de manière itérative avec l’entreprise et de s’assurer que les performances dans la réalité correspondent à ce que vous attendez lors de l’entraînement.

Un exemple de cela se trouve dans la tarification, où si vous fixez un prix trop bas pour une ligne, vos prix peuvent être trop compétitifs, ce qui entraînera une affluence de marchandises sur cette ligne. Cela peut ensuite entraîner une augmentation des coûts car les courtiers ont du mal à trouver des capacités pour ces charges, aggravant ainsi le problème.

4. Qu’est-ce qui vous excite le plus dans l’avenir de l’apprentissage automatique ?

Je pense que ce qui m’excite le plus dans l’apprentissage automatique, c’est la possibilité d’améliorer les performances des personnes dans leur travail.

À mesure que l’apprentissage automatique devient omniprésent dans les entreprises, il pourra aider à accélérer les décisions et automatiser les tâches redondantes. Cela accélérera le rythme de l’innovation et créera une immense valeur économique. J’ai hâte de voir quels problèmes nous résoudrons au cours des 10 prochaines années grâce aux sciences des données et à l’apprentissage automatique !

Nicolas Bertagnolli – Directeur de l’apprentissage automatique chez BEN

Parcours : Nic est un scientifique et ingénieur qui travaille à améliorer la communication humaine grâce à l’apprentissage automatique. Il a passé la dernière décennie à appliquer l’apprentissage automatique et le traitement du langage naturel pour résoudre des problèmes de données dans le domaine médical, de la découverte de nouveaux schémas dans les génomes du cancer à l’utilisation de milliards de notes cliniques pour réduire les coûts et améliorer les résultats.

Chez BEN, Nic innove avec des technologies intelligentes qui renforcent les capacités humaines pour toucher les gens. Consultez son CV, ses recherches et ses articles VoAGI ici.

Anecdote intéressante : Nic a vécu dans un van et a voyagé pendant trois ans dans l’ouest des États-Unis avant de commencer à travailler chez BEN.

BEN : Une entreprise d’intelligence artificielle dans le domaine du divertissement qui place des marques dans des contenus d’influenceurs, de streaming, de télévision et de cinéma pour connecter les marques avec les audiences d’une manière que les publicités ne peuvent pas faire.

1. Comment l’apprentissage automatique a-t-il eu un impact positif sur le marketing ?

De tellement de façons ! Cela change complètement le paysage. Le marketing est un domaine ancré dans la tradition, basé sur des intuitions. Au cours des 20 dernières années, il y a eu une tendance à prendre des décisions marketing de plus en plus basées sur des statistiques, mais de nombreuses marques continuent de s’appuyer sur les instincts de leur département marketing. L’apprentissage automatique révolutionne cela. En analysant les données sur les publicités performantes, nous pouvons prendre des décisions vraiment informées sur la manière et les personnes que nous ciblons.

Chez BEN, l’apprentissage automatique nous a vraiment aidés à éliminer les conjectures dans une grande partie du processus lié au marketing d’influence. Les données nous aident à éclairer le brouillard des préjugés et de la subjectivité afin que nous puissions prendre des décisions éclairées.

Ce n’est là que la partie émergée de l’iceberg ! L’apprentissage automatique permet également de prendre des décisions marketing plus sûres pour les marques. Par exemple, il est illégal de faire de la publicité pour de l’alcool auprès des moins de 21 ans. Grâce à l’apprentissage automatique, nous pouvons identifier les influenceurs dont le public est principalement composé de personnes de plus de 21 ans. Cela renforce notre capacité à aider les marques d’alcool, ainsi que les marques qui craignent d’être associées à l’alcool.

2. Quels sont les plus grands défis de l’apprentissage automatique dans le domaine du marketing?

Comme pour la plupart des choses en apprentissage automatique, les problèmes ne résident souvent pas réellement dans les modèles eux-mêmes. Avec des outils tels que Hugging Face, torch hub, etc., de nombreux modèles formidables et flexibles sont disponibles pour travailler.

Les véritables défis concernent la collecte, la purification et la gestion des données. Si nous voulons parler des aspects difficiles de l’apprentissage automatique, une partie d’entre eux est liée au fait qu’il y a beaucoup de bruit dans ce que les gens voient et apprécient. Comprendre des choses comme la viralité est vraiment très difficile.

Comprendre ce qui rend un créateur/influenceur performant sur le long terme est vraiment difficile. Il y a beaucoup d’informations de préférence étranges enfouies dans des données assez bruyantes et difficiles à obtenir. Ces problèmes se résument à une communication solide entre les équipes de données, d’apprentissage automatique et de l’entreprise, ainsi qu’à la création de modèles qui renforcent et collaborent avec les humains au lieu de les automatiser complètement.

3. Quelle est une erreur courante que vous voyez les gens commettre en essayant d’intégrer l’apprentissage automatique dans le marketing?

Je ne pense pas que cela soit spécifique au marketing, mais donner la priorité à l’apprentissage automatique et à la science des données plutôt qu’à une bonne infrastructure est un gros problème que je vois souvent. Les organisations entendent parler de l’apprentissage automatique et veulent en profiter, elles embauchent donc des data scientists pour se rendre compte qu’elles n’ont aucune infrastructure pour prendre en charge leurs nouveaux modèles sophistiqués. Une grande partie de la valeur de l’apprentissage automatique réside dans l’infrastructure entourant les modèles, et si vous disposez de modèles entraînés mais d’aucune infrastructure, vous êtes bloqué.

Une des choses vraiment intéressantes à propos de BEN est que nous avons investi massivement dans notre infrastructure de données et avons construit le support avant le chariot. Maintenant, les data scientists peuvent construire des modèles qui sont rapidement servis à nos utilisateurs finaux, au lieu de devoir comprendre chaque étape de ce pipeline eux-mêmes. Investissez dans l’ingénierie des données avant d’embaucher beaucoup de spécialistes de l’apprentissage automatique.

4. Qu’est-ce qui vous enthousiasme le plus à propos de l’avenir de l’apprentissage automatique?

Il y a tellement de choses passionnantes en cours. Je pense que le rythme et la démocratisation du domaine sont peut-être ce que je trouve le plus excitant. Je me souviens qu’il y a près de 10 ans, j’ai écrit mon premier modèle seq2seq pour la traduction de langues. C’était des centaines de lignes de code, ça prenait une éternité à s’entraîner et c’était assez difficile. Maintenant, vous pouvez presque construire un système pour traduire n’importe quelle langue vers n’importe quelle autre langue en moins de 100 lignes de code Python. C’est fou ! Cette tendance est susceptible de se poursuivre et à mesure que l’infrastructure de l’apprentissage automatique s’améliorera, il sera de plus en plus facile pour des personnes sans une expertise approfondie dans un domaine de déployer et de servir des modèles à d’autres personnes.

Tout comme au début d’Internet, les développeurs de logiciels étaient peu nombreux et rares, et vous aviez besoin d’une équipe qualifiée pour mettre en place un site web. Ensuite, des choses comme Django, Rails, etc. sont apparues, rendant la création de sites web facile mais leur mise en service était difficile. Nous sommes un peu dans cette situation où la construction des modèles est facile, mais les servir de manière fiable, les surveiller de manière fiable, etc. reste un défi. Je pense que dans les prochaines années, la barrière à l’entrée va considérablement baisser ici et quasiment n’importe quel lycéen pourra déployer un transformateur profond sur une infrastructure cloud et commencer à fournir des résultats utiles à la population en général. C’est vraiment excitant car cela signifie que nous verrons de plus en plus d’innovations tangibles, tout comme l’explosion des services en ligne. Tellement de choses intéressantes !

Eric Golinko – Directeur de l’apprentissage automatique chez E Source

Parcours : Praticien des données expérimenté et créateur d’équipes. J’ai travaillé dans de nombreux secteurs au sein d’entreprises de différentes tailles. Je suis un résolveur de problèmes, formé en mathématiques et en informatique. Mais, par-dessus tout, je valorise les relations, la famille, les chiens, les voyages et la pizza.

Anecdote amusante : Eric adore les nachos !

E Source : Fournit des informations de marché indépendantes, des conseils et des analyses prédictives aux services publics, aux principaux consommateurs d’énergie et à d’autres acteurs clés du marché de l’énergie de détail.

1. Quel impact positif l’apprentissage automatique a-t-il eu sur l’industrie de l’énergie/services publics?

Accès aux informations commerciales. À condition d’avoir de bonnes données. Les services publics ont de nombreuses relations de données au sein de leur portefeuille de données, des clients aux appareils, plus précisément, il s’agit des montants de facturation mensuels et de l’adhésion aux programmes d’économie d’énergie. Des données comme celles-ci peuvent être stockées dans une base de données relationnelle, tandis que les données sur les appareils ou les actifs peuvent être considérées comme les éléments de machinerie qui constituent notre réseau. Combler ces types de données n’est pas trivial.

De plus, les données tierces spatiales/gis et météorologiques sont extrêmement importantes. Grâce à l’apprentissage automatique, nous sommes capables de trouver et d’explorer des caractéristiques et des résultats qui ont un impact réel.

2. Quels sont les plus grands défis de l’apprentissage automatique dans les services publics ?

Il y a une démystification qui doit avoir lieu. Ce que l’apprentissage automatique peut faire et où il doit être surveillé ou pourrait être insuffisant. L’industrie des services publics a des façons établies de fonctionner, et l’apprentissage automatique peut être perçu comme un perturbateur. En raison de cela, les départements peuvent être lents à adopter toute nouvelle technologie ou paradigme. Cependant, si le praticien est capable de prouver des résultats, alors les résultats créent de l’adhésion et une plus grande envie d’adoption. Les défis supplémentaires sont les données sur site et l’accès au cloud et à l’infrastructure. C’est un processus progressif et il y a une courbe d’apprentissage qui nécessite de la patience.

3. Quelle est une erreur courante que vous voyez les gens faire en essayant d’intégrer l’apprentissage automatique dans les services publics ?

Non spécifique aux services publics, mais aller trop vite et négliger la qualité des données et les simples vérifications de qualité. En dehors de cela, l’apprentissage automatique est pratiqué par de nombreux groupes de manière directe ou indirecte. Un défi est d’intégrer les meilleures pratiques de développement entre les équipes. Cela signifie également le suivi des modèles et la capacité à persister les expériences et les découvertes continues.

4. Qu’est-ce qui vous enthousiasme le plus à propos de l’avenir de l’apprentissage automatique ?

Je fais cela depuis plus d’une décennie et je me sens encore novice. Je me sens chanceux d’avoir fait partie d’équipes où j’aurais eu de la chance d’être considéré comme un membre moyen. J’ai le sentiment que les dix prochaines années et au-delà seront davantage axées sur l’ingénierie des données afin de couvrir un plus grand nombre de cas d’utilisation grâce à l’apprentissage automatique.

---

🤗 Merci de vous être joint à nous pour cette première partie des informations du directeur de l’apprentissage automatique. Restez à l’écoute pour d’autres informations des directeurs de l’apprentissage automatique dans le secteur du logiciel en tant que service, des finances et du commerce électronique.

Un grand merci à Eric Golinko, Nicolas Bertagnolli, Nathan Cahill, Alina Zare, Li Tan et Archi Mitra pour leurs brillantes idées et leur participation à cet article. Nous sommes impatients de suivre chacun de vos succès continus et nous vous encouragerons à chaque étape du processus. 🎉

Enfin, si vous ou votre équipe souhaitez accélérer votre feuille de route d’apprentissage automatique avec les experts de Hugging Face, veuillez visiter hf.co/support pour en savoir plus.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!