Partie 2
Étudier le problème métier
La session « Machine Learning - Mise En Pratique » (Geoffrey Demaison, CODA M1-D) déroule les étapes d'un projet ML classique :
- l'étude d'un problème métier ;
- la sélection du / des modèles ;
- la collecte et l'étude d'un jeu de données ;
- l'entraînement ;
- l'exploitation des résultats ;
- l'évaluation en conditions réelles ;
- l'itération ;
- l'explication et la documentation de la solution.
Dans le support, seules les étapes 1 à 5 sont détaillées ; les trois dernières sont seulement listées dans les objectifs.
Formuler la problématique
On décrit le problème à résoudre, puis on pose la question cruciale : le machine learning est-il adapté à la résolution de mon problème ?
Vérifie que tu as compris
Quand le ML est-il adapté ?
| Adapté | Plutôt sans ML |
|---|---|
|
|
Le ML devient pertinent quand la formalisation exacte du problème est difficile, coûteuse ou impossible, mais que des exemples représentatifs existent. Il apprend des patterns, produit des résultats probabilistes et évolue avec de nouvelles données.
Vérifie que tu as compris
Rechercher, supposer, décomposer
- Recherches : le problème a-t-il déjà été résolu (avec ou sans ML) ? Existe-t-il une version toute prête ?
- Hypothèse de résolution : manière plausible de transformer le problème métier en problème technique de ML (classification ? régression ? clustering ? anomalies ?). Une solution approximative ou probabiliste est-elle acceptable ? Plusieurs hypothèses peuvent coexister et seront comparées (itération).
- Sous-tâches : décomposer réduit la complexité, identifie les étapes utiles à la décision finale et permet de combiner plusieurs modèles. Exemples : extraction de caractéristiques, prédiction intermédiaire, filtrage / scoring. Chacune doit avoir un objectif clair, mesurable et cohérent avec l'objectif métier.
Le support illustre aussi une cascade de modèles (models ensembles). Sur le cas LoL, détection puis classification en est un exemple (exemple ajouté).
Vérifie que tu as compris
Entrées et sorties
Pour chaque sous-tâche, on définit précisément :
- les entrées : nature (numérique, texte, image, signal, série temporelle), format, granularité, disponibilité, et surtout les informations réellement accessibles en conditions d'inférence ;
- les sorties : type (classe, score, probabilité, valeur continue), niveau de précision attendu, forme exploitable par le système ou le métier.
Cette étape conditionne le choix des modèles, la faisabilité de la collecte et la cohérence entre entraînement et utilisation. Une mauvaise définition est une cause très fréquente d'échec.
Vérifie que tu as compris