Apprendre AutoML (French Edition)

Avant-propos de Gregory Wheeler

L'apprentissage automatique existe, sous une forme ou une autre, depuis plus d'une décennie. Les algorithmes sont arrivés à maturité. Les frameworks sont puissants. Les plateformes Cloud se livrent une concurrence acharnée pour t'attirer. Et pourtant, la plupart des organisations ont encore du mal à passer d'un modèle prometteur sur un ordinateur portable à un système auquel un clinicien, un régulateur ou un analyste financier peut faire confiance. Combler ce fossé entre le score de validation et la confiance acquise est l'objectif central de ce livre. Il était grand temps.

Ce fossé persiste parce que l'apprentissage automatique en production n'est pas une version plus difficile du problème de modélisation ; c'est un problème tout à fait différent. Un modèle sur un ordinateur portable répond à une question statistique. Un modèle en production répond aux parties prenantes, aux régulateurs et aux patients ou clients dont il affecte la vie. Il doit être surveillé pour détecter toute dérive, audité pour garantir son équité, expliqué à des personnes qui n’ont jamais entendu parler du gradient boosting et s’en moquent, puis maintenu par des équipes qui ne l’ont pas construit. Rien de tout cela n’est algorithmique. La plupart de ces aspects ne sont pas, à proprement parler, techniques. Et pourtant, jusqu’à présent, la littérature sur l’AutoML a été écrite presque entièrement comme si c’était le cas.

Kerem Tomak apporte une combinaison rare d’expérience ...