Choisir le modèle et préparer les données

Sélection du / des modèles

On s'appuie sur l'état de l'art : publications, retours industriels, benchmarks publics, projets open-source ou compétitions (ex. Kaggle). But : comprendre comment des problèmes comparables ont été traités, repérer les familles de modèles, les performances atteignables et les limites. On ne copie pas forcément : on réduit l'incertitude.

Le choix tient compte de la nature du problème, de la quantité et qualité des données, et des contraintes (temps de réponse, ressources, explicabilité, coût). Compromis cités :

On commence souvent par une baseline (modèle de référence) pour fixer un premier niveau de performance.

Un processus itératif

Choisir un modèle n'est pas linéaire. Les contraintes révélées par les modèles peuvent amener à reformuler le problème, redéfinir des sous-tâches ou revoir les attentes de précision. Inversement, des exigences fortes (latence, explicabilité, réglementation) peuvent écarter des modèles performants en laboratoire mais trop gourmands sur des machines classiques. Le résultat est un équilibre entre ambition, faisabilité et valeur métier.

Collecter les données

• Méthode : au plus proche des conditions d'inférence réelles (même source, même format, même fréquence, mêmes bruits). Un écart trop grand dégrade les performances en conditions réelles.
• Outils : extraction et stockage fiables, labellisation cohérente et documentée, contrôles de cohérence et de complétude, gestion des versions.
• Collecte : jeu suffisamment volumineux, diversifié, équilibré si pertinent (classes rares). Souvent plus longue et coûteuse que prévu.

Étudier, nettoyer, augmenter

• Étude exploratoire avant tout entraînement : distributions, déséquilibres, corrélations, valeurs aberrantes, incohérences, biais, difficulté réelle de la tâche.
• Nettoyage : corriger ou supprimer l'erroné, gérer les valeurs manquantes, homogénéiser formats et unités. Trop peu empêche d'apprendre ; trop supprime de l'information utile.
• Augmentation : rotations, bruit, variations de luminosité, paraphrases, jitter temporel ; données synthétiques ; rééchantillonnage de classes rares, à condition de rester cohérent avec le métier et l'inférence.