Le concept

Le concept général du Machine Learning permet de réaliser des projections à partir d’un jeu de données existant pour en déduire des résultats. Evidemment, plus il y aura de données et plus il y aura de critères dans le jeu de données sources, plus la projection sera proche de la réalité. Une fois le jeu de données source obtenu, l’expert de la gestion et de l’analyse de données, autrement dit le Data Scientist, entre en jeu.

3 indicateurs clés pour mieux anticiper

Dans l’optique où le Machine Learning sera de plus en présent dans les entreprises, on en déduit plusieurs considérations importantes à prendre en compte pour anticiper au mieux une implémentation à court, moyen ou long terme…. Que retenir ?

1. Le stockage de la donnée d’entreprise : élément stratégique car au-delà des capacités de traitement actuel, il faut anticiper les futurs usages de la donnée et donc archiver toutes les données.

2. La qualité des données brutes : celles-ci doivent-être qualifiées et représentatives des objectifs attendus. Elles doivent couvrir l’ensemble du périmètre cible afin de ne pas induire en erreur les déductions du système d’apprentissage (Ex: Jeu de données sur les 15-25 ans alors que la projection attendue concerne toute la population).

3. La réussite du projet et la contextualisation : la réussite d’un projet de Machine Learning s’appuie encore actuellement sur une contextualisation efficace du traitement du jeu de données. Cela requiert donc des compétences scientifiques importantes inhérentes au métier de Data Scientist pour permettre une amélioration continue des résultats du Machine Learning.

Découvrez l’intégralité de cet article dans la prochaine édition de Smart DSI.