Rien ne dure éternellement : améliorer les prévisions en automatisant la détection des dérives

Une solution de Machine Learning n'est aussi fiable que les données ayant servies à son apprentissage. En conditions réelles, les données peuvent évoluer au fil du temps et différer de l’échantillon initial. Dès lors, ces dérives soulèvent trois problématiques concernant le modèle : l'évaluation de la dégradation de ses performances, sa mise à jour à partir d'informations actualisées, et son déploiement dans un cycle automatisé déjà en production. A partir d'un cas concret de maintenance prédictive, nous présentons une solution qui répond à chacune de ces problématiques.

Revoir le live :