Apprendre AutoML (French Edition)

Épilogue : La révolution silencieuse de l'AutoML

Si tu es arrivé jusqu'ici, tu as accompli quelque chose d'important. Tu maîtrises les techniques qui sous-tendent l'apprentissage automatique moderne : l'optimisation des hyperparamètres, la recherche d'architecture neuronale et l'ingénierie automatisée des caractéristiques. Tu as construit des pipelines pour les données tabulaires, le texte, les images et les séries chronologiques. Tu as déployé des modèles en production à l'aide de MLflow, Kubeflow et Airflow. Tu as vu comment l'AutoML fonctionne dans différents secteurs, de la détection des fraudes à la prévision de la demande en passant par la prédiction des réadmissions.

Tu possèdes désormais des compétences qui, il y a dix ans, auraient nécessité des années de formation spécialisée pour être acquises.

Et je m’apprête à te dire que l’AutoML que tu viens d’apprendre est déjà en train de se transformer en quelque chose de complètement différent.

Pas de panique. Ce n’est pas un leurre. Tout ce qui se trouve dans ce livre reste précieux — plus précieux, en fait, qu’il ne l’aurait été il y a cinq ans. Mais le contexte dans lequel ces compétences s’exercent évolue rapidement, et je te rendrais un mauvais service si je te lançais dans le monde sans te préparer à ce qui t’attend.

L’avenir de l’AutoML ne réside pas dans un meilleur réglage des hyperparamètres. Il s’agit de systèmes capables de comprendre pourquoi un modèle a échoué, de quelles données il a besoin et comment se corriger. ...