Vos données peuvent vous en dire beaucoup sur le type de ML que vous pourriez réaliser

"Données texte (créer des chatbots pour le service client, …) :

Beaucoup de données : peut utiliser DP. Une infrastructure d'ingénierie de données robuste autour des données doit être conçue. La modélisation nécessite des personnes hautement spécialisées dans le domaine. Les machines GPU devraient augmenter la vitesse de modélisation
Peu de données : il faudrait probablement explorer les premiers modèles DL pré-entraînés. L'infrastructure d'ingénierie est moins importante. La modélisation pourrait être réalisée par une main-d'œuvre moins spécialisée. Les machines GPU peuvent ne pas être nécessaires

Données d'images (reconnaissance faciale pour systèmes de sécurité, systèmes de réalité augmentée, ...) :

Beaucoup de données : DL générera probablement des performances au-delà de tout ce que les techniques traditionnelles pourraient produire. Une infrastructure d'ingénierie de données robuste autour des données doit être conçue. La modélisation nécessite des personnes hautement spécialisées. Les machines GPU sont indispensables.
Peu de données : les modèles DL pré-entraînés pourraient donner des résultats satisfaisants mais devraient éventuellement remettre en question l'investissement dans le ML en général pour les applications de vision par ordinateur. L'infrastructure d'ingénierie autour des données est moins importante. La modélisation pourrait être réalisée par une main-d'œuvre moins spécialisée. Les machines GPU restent importantes pour améliorer la vitesse de modélisation.

Données de séries chronologiques (prévisions de ventes, prévision du cours des actions, ...) :

Beaucoup de données : les méthodes traditionnelles comme XGBoost donneront généralement de meilleures performances dans les données de séries chronologiques. Une infrastructure d'ingénierie de données robuste autour des données doit être conçue. La modélisation pourrait être réalisée par des data scientists généralistes. Les machines GPU (pour Transformers ou LSTM, par exemple) et CPU pourraient être exploitées.
Peu de données : ce n'est potentiellement pas un problème à résoudre avec des techniques de ML. L'infrastructure d'ingénierie autour des données est moins importante. La modélisation pourrait être réalisée par une main-d'œuvre moins spécialisée. Les machines GPU sont probablement inutiles.

Données tabulaires (recommandation de produits, prévision du taux de désabonnement des clients, ...) :

Beaucoup de données : les techniques traditionnelles de ML surpassent généralement le Deep Learning. Cependant, dans le cas de recommandations de produits avec des variables très rares, DL s'est avéré apporter des performances supérieures. Une infrastructure d'ingénierie de données robuste autour des données doit être conçue. La modélisation pourrait être réalisée par des data scientists généralistes. Le GPU peut ne pas être très utile car le Deep Learning est moins pertinent dans ce cas (sauf dans le cas des Rec Engines).
Peu de données : ce n'est probablement pas un problème à résoudre avec le ML. Il faudrait éventuellement reconsidérer l'investissement dans l'analyse avancée. Une infrastructure d'ingénierie de données robuste autour des données est moins importante. La modélisation pourrait être réalisée par une main-d'œuvre moins spécialisée. Les machines GPU sont probablement inutiles."

Veuillez noter que la version française est assistée par Ai, des erreurs mineures peuvent donc exister. Vos données peuvent vous en dire beaucoup sur le type de ML que vous pourriez réaliser

Auteur

Ai Base Network (ABN), ABN ASIA a été fondée par des personnes ayant des racines profondes dans le milieu académique, avec une expérience professionnelle aux États-Unis, aux Pays-Bas, en Hongrie, au Japon, en Corée du Sud, à Singapour et au Vietnam. ABN ASIA est l'endroit où l'académie et la technologie rencontrent l'opportunité. Avec nos solutions de pointe et nos services de développement logiciel compétents, nous aidons les entreprises à se développer et à s'imposer sur la scène mondiale. Notre engagement : Plus vite. Mieux. Plus fiable. Dans la plupart des cas : moins cher également.

N'hésitez pas à nous contacter chaque fois que vous avez besoin de services informatiques, de conseils en matière de numérique, de solutions logicielles prêtes à l'emploi, ou si vous souhaitez nous envoyer des demandes de propositions (RFP). Vous pouvez nous contacter à l'adresse [email protected]. Nous sommes prêts à vous aider avec tous vos besoins technologiques.