C’est une statistique connue dans le milieu: la grande majorité des projets IA échouent. Mais les échecs les plus décourageants, et au plus fort impact métier, sont ceux qui adviennent une fois que le modèle est en production: un mauvais modèle de recommendation brise la confiance de l’utilisateur en l’algorithme, un mauvais modèle de reconnaissance faciale ne permet pas de débloquer son téléphone, un mauvais modèle de détection de piéton peut créer un accident mortel…

Sur les 4 dernières années, j’ai mis en production plusieurs algorithmes d’IA dans différents contextes: chacun a présenté des difficultés, et des apprentissages qui ont contribué à forger mes convictions sur le comment bien déployer des algorithmes d’IA (MLOps). Je vous en partage les plus intéressants dans ce talk :

1) De l’importance des tests de charge

2) Attention, ma data drift !

3) Comment savoir si mon modèle marche dans la vraie vie ?

4) (Re)-découvrons ensemble à travers ces expériences les fondamentaux du monitoring ML!