Apprentissage automatique

Cela dépend du problème, pas d’un volume fixe. L’essentiel est de disposer d’un historique suffisant pour couvrir les schémas que le modèle doit apprendre, y compris les saisons et les événements rares, et d’étiquettes fiables pour le résultat à prédire. Nous le vérifions lors de la revue des données et vous disons clairement si les données ne permettent pas encore d’atteindre la cible, et ce qu’il faut collecter pour y parvenir.

Oui, et nous le prévoyons dès la conception lorsque les décisions concernent des personnes, par exemple en matière de crédit ou de sinistres. Nous privilégions des modèles dont le raisonnement peut être expliqué, fournissons les raisons de chaque résultat et documentons les données, les variables, la validation et les limites de chaque version du modèle. Cette documentation appuie vos revues du risque de modèle et vos revues réglementaires.

Nous convenons avec vous des groupes et des résultats qui comptent pour la décision, puis mesurons les taux d’erreur et les résultats pour chacun d’eux sur des données réservées. Lorsque des écarts apparaissent, nous analysons les données et les variables en cause et discutons des arbitrages avec vos équipes. Les contrôles d’équité sont relancés à chaque réentraînement, et pas seulement au lancement.

La supervision le révèle avant que l’activité ne le ressente. Nous comparons les données d’entrée et les résultats du modèle à ce qu’il a vu à l’entraînement, et alertons en cas d’évolution. Vos équipes disposent alors des éléments et décident de réentraîner, d’ajuster les seuils ou de revenir à des règles. Le réentraînement passe par le même pipeline testé que le modèle d’origine.

Les principaux facteurs sont l’état et l’accessibilité de vos données, l’existence d’étiquettes ou la nécessité de les créer, le nombre de systèmes auxquels le modèle doit se connecter, et le niveau d’explication et de documentation attendu par vos régulateurs. Les coûts d’exploitation dépendent du volume de prédictions et du besoin de résultats en temps réel ou par lots. Nous chiffrons une fois la revue des données terminée.

La référence et le premier modèle validé arrivent tôt, pour que vous puissiez juger de la valeur avant les travaux de mise en production. Le passage en production dépend de l’accès aux données, de l’intégration avec les systèmes qui utilisent le résultat, de l’exécution en mode fantôme à côté du processus actuel et d’une éventuelle revue du risque de modèle. Nous vous remettons un plan à l’issue de la revue des données, avec les points de décision indiqués.

Dès le premier commit, vous êtes titulaire de la propriété intellectuelle des travaux que nous réalisons pour vous : aucune cession n’est à prévoir en fin de projet. Cela inclut les modèles entraînés, le code des variables, les pipelines et la documentation produits pour vous, et vos données restent les vôtres. Les outils XSIS préexistants restent notre propriété et vous sont concédés sous licence. Les bibliothèques open source que nous utilisons restent soumises à leurs propres licences, que nous consignons pour vous.