L'apprentissage automatique pour les applications à haut risque

Chapitre 1. Gestion contemporainedes risques liés à l'apprentissage automatique

Cet ouvrage a été traduit à l'aide de l'IA. Tes réactions et tes commentaires sont les bienvenus : [e-mail]

Construire le meilleur système d'apprentissage automatique commence par les compétences culturelles et les processus opérationnels. Ce chapitre présente de nombreuses approches culturelles et procédurales que nous pouvons utiliser pour améliorer les performances de l'apprentissage automatique et protéger l'apprentissage automatique de nos organisations contre les problèmes de sécurité et de performance dans le monde réel. Il comprend également une étude de cas qui illustre ce qui se passe lorsqu'un système d'apprentissage automatique est utilisé sans surveillance humaine appropriée. L'objectif principal des approches discutées dans ce chapitre est de créer de meilleurs systèmes de ML. Cela peut se traduire par une amélioration des performances des données de test in silico. Mais il s'agit surtout de construire des modèles qui fonctionnent comme prévu une fois déployés in vivo, afin d'éviter de perdre de l'argent, de blesser des gens ou de causer d'autres préjudices.

Note

In vivo signifie en latin "au sein du vivant". Nous utiliserons parfois ce terme pour signifier quelque chose de plus proche de "interagir avec les vivants", comme dans la façon dont les modèles ML fonctionnent dans le monde réel lorsqu'ils interagissent avec des utilisateurs humains. In silico signifie ...