Apprendre AutoML (French Edition)

Partie V. Étudesde cas

Au chapitre 1, je t’ai expliqué comment les projets d’apprentissage automatique qui prenaient autrefois des mois à mes équipes peuvent désormais être menés à bien en quelques jours, voire quelques heures, grâce à l’automatisation. Au chapitre 2, on a retracé l’évolution de l’AutoML, depuis les prototypes universitaires jusqu’aux plateformes prêtes à l’emploi pour les entreprises, en voyant comment des outils comme AutoGluon et Vertex AI ont transformé ce qui était possible. Le chapitre 3 a révélé l’architecture sophistiquée du pipeline sous-jacente : l’ingénierie automatisée des caractéristiques, l’optimisation des hyperparamètres et les méthodes d’ensemble qui rendent cette accélération possible.

Mais il y a un fossé entre comprendre comment fonctionne l’AutoML et le déployer avec succès en production — un fossé que j’ai appris à mes dépens.

Il y a trois ans, j’ai été appelé à la rescousse d’un projet de détection de fraude au sein d’une grande institution financière. L’équipe de science des données avait construit un superbe modèle dans des notebooks Jupyter : une précision de 98,7 %, une architecture d’ensemble élégante, des scores de validation croisée impressionnants. Tout le monde était enthousiaste. Puis ils l’ont déployé en production.

En moins de 48 heures, le système avait signalé 47 000 transactions légitimes comme frauduleuses. Le service client était débordé. L'équipe chargée de la lutte contre la fraude croulait sous les faux positifs. Et ...