Démarrer l'essai gratuit
Tendances Nouveau Genres Auteurs
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Recherche en cours...
SoBrief
Applied Artificial Intelligence

Applied Artificial Intelligence

Choisissez des projets d’IA qui résolvent de véritables goulots d’étranglement, résistent au déploiement et inspirent confiance.
par Mariya Yao 2018 227 pages
3.32
93 évaluations
Écouter
Immersif
V2.3
Amazon Kindle Audible
Essayez l'accès complet pendant 3 jours
Débloquez l'écoute et bien plus !
Continuer

Points clés

Considérez l’IA d’aujourd’hui comme une spécialiste, pas comme une dirigeante synthétique

Une compétence étroite, pas un esprit général. Le livre distingue les systèmes spécialisés disponibles en 2018 de l’intelligence artificielle générale, ou IAG: une machine hypothétique capable d’apprendre à partir d’une expérience limitée et de transférer ses connaissances d’un domaine à l’autre. Un programme qui bat les champions au jeu de go ne sait pas pour autant conduire ou écrire une chanson. Son expertise ne se transpose pas automatiquement.

Le Continuum de l’intelligence machine (Machine Intelligence Continuum), proposé par les auteurs, cartographie les capacités, de l’automatisation fondée sur des règles fixes et de la prédiction à l’apprentissage, à la génération de contenu et à l’interprétation des signaux humains. Ces niveaux se chevauchent, mais cette carte aide les dirigeants à se demander ce qu’un système fait réellement, au lieu d’accepter sans examen l’étiquette IA. La plupart des systèmes d’entreprise résolvent des tâches circonscrites. Même les outils d’apprentissage profond les plus impressionnants ont besoin de nombreux exemples, de connaissances spécialisées et d’une maintenance continue.

Analyse

Cette distinction est utile, car le mot « intelligence » incite à prêter aux systèmes une flexibilité qu’ils ne possèdent pas forcément. Pour évaluer un produit de manière fiable, on peut se demander ce qui se passe lorsque ses données d’entrée, ses utilisateurs ou ses conditions de fonctionnement diffèrent des exemples qui ont servi à le concevoir. C’est un peu comme tester un employé spécialiste en dehors de son domaine d’expertise. L’échelle des capacités proposée dans le livre constitue un antidote pratique aux promesses exagérées, même si les systèmes réels combinent souvent logiciels à règles, prédiction statistique et composants entraînés. Une seule étiquette peut masquer ce mélange.

Évaluez l’IA à l’aune du problème humain qu’elle permet de résoudre, pas de sa nouveauté technique

Utile au-delà des marges de l’entreprise. En Inde, FarmGuide utilisait des images satellites pour estimer le rendement des cultures de chaque exploitation. De meilleures estimations pouvaient aider les prêteurs et les assureurs à évaluer les risques plus équitablement, offrant ainsi aux agriculteurs vulnérables une solution de rechange aux prêts abusifs. Au Liberia, U-Report, de l’UNICEF, permettait aux jeunes de signaler par SMS les problèmes de leur communauté, un choix pratique là où l’accès aux smartphones et à une connexion Internet fiable n’était pas garanti. Un sondage mené auprès de 13 000 utilisateurs a révélé que 86 % d’entre eux déclaraient que des enseignants échangeaient des notes contre des faveurs sexuelles, contribuant à attirer l’attention du public et à susciter une réaction du gouvernement.

Les applications médicales offrent un autre critère pour mesurer la valeur. Le livre présente un système de diagnostic qui a contribué à réduire de 30 % les interventions chirurgicales pour des tumeurs bénignes du sein. Dans chaque cas, l’innovation déterminante ne résidait pas simplement dans un modèle avancé. Elle consistait à mettre les données et la technologie au service d’un problème que les gens avaient un besoin urgent de résoudre.

Analyse

Ces exemples illustrent bien une idée de l’innovation : le choix de conception le plus important peut concerner l’accès, et non l’algorithme. Un service par SMS peut être plus utile qu’une application sophistiquée si les utilisateurs visés disposent d’une connectivité limitée. Ces exemples suggèrent aussi un critère d’évaluation des projets : déterminer qui gagne en accès, en sécurité ou en pouvoir de négociation, et pas seulement ce que l’organisation économise. En même temps, la prédiction d’un modèle ne met pas fin, à elle seule, aux prêts abusifs ni aux violences. La technologie peut révéler un problème et aider à coordonner une réponse, mais les institutions doivent encore agir.

Considérez chaque jeu de données comme un indicateur construit, et non comme un miroir neutre

Les preuves ont une histoire. La vérité terrain (ground truth) désigne les informations observables et vérifiables utilisées comme référence pour évaluer un modèle. Mais les données sont produites à partir de choix humains: ce qui compte comme client, les événements qui sont consignés, les personnes qui sont incluses et la façon dont les erreurs sont corrigées. Si la référence est erronée, un modèle peut sembler précis tout en reproduisant une représentation fausse de la réalité.

Le livre recense des défaillances à chaque étape: objectifs de collecte mal définis, définitions incohérentes, mesures erronées, erreurs de traitement, populations absentes et échantillons non représentatifs. Un outil d’évaluation des risques judiciaires a formulé une recommandation erronée après qu’une durée d’incarcération eut été saisie incorrectement. Les comportements numériques ont eux aussi leurs limites en tant qu’indices: un clic révèle une action, pas la motivation de la personne. Avant de créer des modèles, les dirigeants doivent retracer la manière dont les données ont été produites et se demander quelles expériences sont absentes.

Analyse

C’est un avertissement fondamental pour quiconque utilise des données afin de prendre des décisions concernant des personnes. Une mesure n’est pas la chose mesurée : par exemple, l’assiduité consignée peut refléter autant l’accès aux transports que l’engagement. Cette distinction relie la pratique de l’IA à la théorie de la mesure, où les chercheurs se demandent si un instrument mesure bien le concept qu’il est censé mesurer. L’accent mis dans le livre sur la provenance des données est particulièrement précieux, car les tests d’un modèle ne peuvent pas remédier à une cible défectueuse. Pourtant, une neutralité totale est impossible. En pratique, il s’agit de rendre les hypothèses visibles, d’en tester les conséquences et de les corriger lorsque les groupes concernés montrent que la mesure ne fonctionne pas.

Renforcez les fondements de l’organisation avant de croire aux promesses de l’IA

L’infrastructure avant l’intelligence. Une entreprise dont les bases de données sont cloisonnées, les logiciels incompatibles et les mécanismes de partage de l’information peu fiables n’est peut-être pas prête pour l’IA à l’échelle de toute l’entreprise. Des systèmes de données centralisés et des interfaces internes cohérentes réduisent les doublons et facilitent l’accès sécurisé aux dossiers. Sans eux, un nouveau modèle risque d’ajouter un outil isolé de plus à un système déjà embrouillé.

La culture compte tout autant. Le livre parle de HiPPO (opinion de la personne la mieux rémunérée) lorsque des dirigeants influents préfèrent leur jugement personnel aux éléments probants. Ces dirigeants peuvent bloquer des analyses utiles ou réorienter des projets sans vérifier les preuves. Un cadre dirigeant crédible pour porter le projet doit disposer d’une autorité, d’un budget et de compétences techniques, et être prêt à expérimenter. Une Équipe commando IA (AI SWAT Team), généralement composée de cinq à quinze personnes, fait participer les unités opérationnelles et les équipes de première ligne au choix et à la supervision des projets.

Analyse

Cette idée présente l’adoption de l’IA comme un changement organisationnel plutôt que comme un achat de logiciel. Une infrastructure centralisée favorise la coordination, tandis que des équipes pluridisciplinaires aident à faire émerger des connaissances absentes des bases de données, par exemple les raisons pour lesquelles le personnel recourt à une solution de contournement informelle. L’étiquette HiPPO est mémorable, mais contredire un cadre dirigeant n’est pas automatiquement irrationnel ; les données peuvent aussi être incomplètes ou mal interprétées. La norme la plus saine consiste à rendre les décisions contestables : expliciter les hypothèses, les confronter aux preuves et permettre aux spécialistes du domaine de remettre en question les unes comme les autres. Cette pratique donne un contenu réel à la culture de l’analyse.

Repérez un goulot d’étranglement mesurable avant de choisir un algorithme

Commencez par la décision. Le cadre stratégique de l’IA présenté dans le livre invite les dirigeants à examiner l’adéquation stratégique d’un projet, son potentiel, l’investissement nécessaire, le rendement possible, les risques, le calendrier et le soutien des parties prenantes. Une tâche est une meilleure candidate lorsqu’elle se répète souvent, prend du temps, produit un résultat mesurable et s’appuie sur des données pertinentes. Si les gens ne parviennent pas à s’entendre sur ce qui constitue une bonne décision, un modèle risque simplement d’automatiser les désaccords.

Choisissez un indicateur de réussite utile, pas un chiffre de vanité. Facebook suivait la proportion des nouveaux membres qui se connectaient avec dix amis en une semaine; Slack s’intéressait aux équipes qui échangeaient 2 000 messages. Ces mesures visaient à refléter un engagement significatif, et non de simples inscriptions. Une analyse de rentabilité pratique doit aussi comptabiliser les coûts d’intégration, de gestion et de maintenance, puis comparer les résultats probables à une référence réaliste.

Analyse

Cette démarche protège les organisations d’une erreur de catégorie courante : prendre une technologie pour une fin plutôt que pour un moyen. Elle fait aussi des indicateurs un choix de conception. Un indicateur oriente ce que les équipes cherchent à optimiser ; une cible trop étroite peut donc améliorer un chiffre tout en détériorant l’expérience des utilisateurs ou en déplaçant les coûts ailleurs. C’est une variante de la loi de Goodhart : lorsqu’une mesure devient une cible, elle risque de perdre sa valeur. Un indicateur solide doit donc être assorti d’un contrepoids, par exemple en associant la rapidité au taux d’erreur ou le chiffre d’affaires à la fidélisation de la clientèle.

Menez de petits essais, puis prévoyez le budget nécessaire à toute la durée de vie du modèle

Un modèle est un processus. Un projet type consiste à définir un objectif commercial, examiner et préparer les données, entraîner un modèle, le tester sur des données distinctes, le déployer, en surveiller les performances, puis recommencer le cycle. Il est important de séparer les données de test, car un modèle peut mémoriser les exemples qu’il a déjà vus sans bien se comporter face à de nouveaux exemples. Même un bon modèle peut perdre en précision lorsque les comportements des clients, les produits ou la réglementation évoluent.

Le livre recommande des cycles de développement courts et itératifs plutôt qu’un pari de grande envergure. Des équipes de PwC ont décrit des expériences de quatre semaines permettant aux clients de tester une idée à petite échelle avant d’accroître leur investissement. Le travail ne s’arrête pas au lancement: les chaînes de traitement des données, le réentraînement, la sécurité et la surveillance nécessitent tous des ressources. Des chercheurs de Google ont averti que les raccourcis concernant cette infrastructure auxiliaire créent une dette technique, c’est-à-dire des travaux de reprise et de maintenance coûteux à l’avenir.

Analyse

Cette vision du cycle de vie corrige utilement les démonstrations qui mettent en valeur un modèle tout en occultant les réalités de la mise en production. Elle rappelle la différence entre un résultat de laboratoire et un service fiable : ce dernier exige une surveillance, des responsabilités clairement définies et des plans de reprise. Des tests distincts protègent aussi contre le surapprentissage, lorsqu’un système obtient des résultats impressionnants sur des exemples familiers, mais se comporte mal dans le monde réel. Les projets pilotes à petite échelle limitent les risques, mais doivent aussi mettre à l’épreuve les conditions opérationnelles, et pas seulement les performances prédictives. Un prototype réussi, mais impossible à intégrer ou à maintenir, renseigne sur le prototype ; il ne prouve pas sa valeur commerciale.

Achetez, assemblez ou développez selon le contrôle stratégique et les capacités de votre organisation

Les spécialistes sont rares et coûteux. Le livre cite une estimation de 2017 selon laquelle moins de 10 000 personnes dans le monde possédaient les compétences requises pour mener des recherches et des travaux d’ingénierie de pointe en IA. La plupart des organisations ne peuvent pas recruter tous les spécialistes dont elles ont besoin; les produits de tiers et les services infonuagiques peuvent donc être des moyens judicieux de tester une possibilité. Mais l’externalisation peut créer une dépendance à l’égard d’un fournisseur, exposer des données précieuses ou empêcher une entreprise de façonner une capacité essentielle à son activité.

Comparez le coût total du développement interne à celui de l’achat, en tenant compte de l’intégration, de la sécurité, du soutien et des futures mises à jour. Vérifiez si le fournisseur possède des données pertinentes et une expérience du secteur, si ses indicateurs concordent avec les vôtres et s’il peut expliquer les limites de son système. Une démarche pratique peut consister à acheter un outil spécialisé, puis à le combiner avec des systèmes internes et, enfin, à développer des composants sur mesure si les résultats justifient l’investissement.

Analyse

Il ne s’agit pas d’un argument simple en faveur de l’indépendance technologique. Le choix porte sur les domaines où une organisation doit garder la maîtrise et ceux où elle peut tirer parti d’infrastructures partagées. Le même raisonnement s’applique aux décisions de fabriquer ou d’acheter dans l’industrie : les entreprises conservent les capacités qui les distinguent et achètent des intrants standardisés lorsque des fournisseurs peuvent les produire mieux. Le danger est de prendre l’étiquette IA d’un fournisseur pour une preuve d’apprentissage ou d’adéquation. Une évaluation transparente doit demander ce que fait le système, comment il échoue, qui peut accéder aux données et ce qui se passe si le fournisseur modifie son produit ou disparaît.

Automatisez les tâches répétitives pour que les spécialistes puissent se consacrer à des travaux plus complexes

Appliquez l’IA là où les schémas se répètent. Dans les différentes fonctions de l’entreprise, les occasions les plus évidentes concernent les tâches fréquentes, structurées et fastidieuses. Les équipes financières peuvent utiliser des logiciels pour repérer les anomalies dans les notes de frais; les équipes juridiques, des outils linguistiques pour trouver les clauses à faire examiner par un avocat; les systèmes RH, des outils pour associer les candidats aux postes; et les équipes commerciales, des modèles pour hiérarchiser les pistes prometteuses. Les systèmes de recommandation personnalisent les choix de produits, tandis que les robots conversationnels du service client répondent aux questions courantes ou aident les agents humains à trouver des réponses.

Le livre indique que Deloitte a ramené l’examen des contrats de quatre ou cinq mois à environ une semaine grâce à la classification linguistique. Il souligne aussi que les tâches administratives de recrutement peuvent occuper une grande partie de la journée d’un recruteur. Ces systèmes fonctionnent mieux intégrés à un flux de travail où les personnes traitent les cas ambigus, vérifient les résultats importants et apportent le contexte dont le modèle ne dispose pas.

Analyse

Les meilleurs exemples ne montrent pas des machines remplaçant une profession entière, mais des machines modifiant la répartition de l’attention au sein de cette profession. Cela ressemble à l’aide à la décision en médecine : la reconnaissance automatisée de schémas peut aider un spécialiste à se concentrer sur les cas suspects, tandis que le jugement clinique reste essentiel pour le contexte et la responsabilité. Cette répartition n’est pas garantie par la technologie elle-même. Si le personnel est débordé ou découragé de remettre en question les recommandations automatisées, l’aide peut se transformer en biais d’automatisation, c’est-à-dire en tendance à se fier à un système même lorsqu’il se trompe. Le flux de travail doit rendre l’examen véritablement utile, et non purement formel.

Intégrez l’équité, la transparence et la sécurité dès la conception du système

Les erreurs n’ont pas toutes le même coût. Le livre décrit des systèmes en ligne qui proposaient moins d’annonces d’emplois bien rémunérés aux femmes, ainsi qu’un service de livraison qui excluait certains quartiers majoritairement noirs. Retirer la race ou le genre d’un jeu de données n’élimine pas la discrimination si d’autres variables servent d’indicateurs indirects. Les équipes homogènes peuvent ne pas remarquer des préjudices évidents pour les personnes qui les subissent.

Les risques comprennent les usages malveillants délibérés autant que les dommages accidentels. L’analyse des menaces citée avertit que l’IA pourrait faciliter la mise à l’échelle des cyberattaques, de la tromperie, de la surveillance ou des attaques physiques ciblées. Une conception éthique exige donc des points de vue diversifiés, une responsabilité clairement attribuée pour les décisions, un fonctionnement compréhensible et des moyens de détecter les préjudices et d’y remédier. Dans les situations à forts enjeux, les dirigeants doivent examiner qui subit les faux positifs et les faux négatifs, au lieu de se contenter d’un seul score de précision.

Analyse

L’équité n’est pas une touche finale à apporter après la création d’un modèle. Les choix de labels, de populations d’entraînement, de seuils et de procédures d’appel déterminent déjà la répartition des avantages et des fardeaux. C’est pourquoi les garanties procédurales comptent autant que les tests techniques : les personnes concernées doivent pouvoir contester un résultat, et une organisation responsable doit être en mesure d’enquêter. L’appel du livre à la diversité renforce le processus de conception, même si la représentativité ne saurait, à elle seule, garantir la justice. Les équipes ont aussi besoin d’autorité, de preuves pertinentes et d’incitations à agir lorsque l’évaluation révèle des effets inégaux.

Requalifiez les travailleurs avant que l’automatisation ne transforme les gains de productivité en facture sociale

Les tâches changent avant que les emplois ne disparaissent. Le livre cite des recherches estimant que 45 % des tâches professionnelles pourraient être automatisées, alors que seulement 5 % des emplois avaient été entièrement supprimés par l’automatisation. Cette distinction est importante: un logiciel peut prendre en charge une partie d’un rôle tout en laissant aux personnes le jugement, la communication et la gestion des exceptions. Accenture s’attendait initialement à ce que l’automatisation élimine 17 000 postes dans certaines activités, mais les employés ont évolué vers des tâches de conseil à plus forte valeur ajoutée et les effectifs ont augmenté.

Cette transition ne se fait pas toute seule. Les auteurs font état d’un écart frappant: 74 % des cadres interrogés s’attendaient à automatiser des tâches, mais seuls 3 % prévoyaient d’accroître la formation des travailleurs. Ils plaident en faveur d’une formation continue, d’une reconversion pratique et d’échanges réguliers avec les employés sur l’évolution des flux de travail. La stratégie d’IA doit tenir compte des capacités de la main-d’œuvre et des perturbations qu’elle subit, au lieu de les traiter comme des coûts externes.

Analyse

Cette section fait de la politique relative à la main-d’œuvre une exigence opérationnelle. La reconversion peut préserver le savoir institutionnel tout en aidant les employés à se tourner vers des tâches qui dépendent du jugement contextuel et des relations humaines. Mais l’exemple d’Accenture ne doit pas être pris pour une prévision universelle : l’apparition de nouveaux postes, les personnes qui peuvent y prétendre et celles qui bénéficient des gains de productivité dépendent des choix des entreprises et des institutions du travail. Les dirigeants responsables doivent suivre les transitions par catégorie de travailleurs, et pas seulement l’effectif total. Une hausse de la productivité peut masquer des pertes concentrées chez ceux qui ont le moins de moyens de s’adapter.

Analyse

L’apport central du livre n’est pas une prédiction sur la superintelligence. Il propose plutôt une discipline de gestion pour intégrer des systèmes machine imparfaits aux organisations ordinaires sans confondre nouveauté et valeur. Son argumentation va de la compréhension des capacités à la préparation organisationnelle, au choix des problèmes, à la qualité des données, au déploiement itératif et à la responsabilité éthique. Cet ordre compte: il présente l’adoption de l’IA comme une chaîne de dépendances, où un modèle ne peut compenser un objectif mal défini, un jeu de données non représentatif ou un flux de travail auquel personne ne fait confiance.

Le geste conceptuel le plus fort consiste à considérer les données et la conception organisationnelle comme faisant partie de la technologie elle-même. Un système prédictif reflète des choix sur ce qu’il faut mesurer, les comportements à prendre en compte et les erreurs qui importent. En ce sens, l’IA est sociotechnique: ses résultats naissent de l’interaction entre logiciels, institutions, incitations et habitudes humaines. Les exemples du livre montrent pourquoi les performances techniques et l’utilité sociale ne sont pas équivalentes. Un classificateur précis peut tout de même renforcer l’exclusion si sa cible reflète un accès inégal ou si personne n’est responsable de son utilisation.

Les cadres pratiques présentent aussi une tension féconde. Ils incitent les dirigeants à définir des objectifs mesurables, mais les indicateurs peuvent restreindre l’attention et encourager la manipulation des résultats. Cette tension est moins un défaut qu’un problème de gouvernance. Les équipes ont besoin d’un indicateur principal pour prendre des décisions, ainsi que de garde-fous permettant de révéler les coûts transférés aux clients, aux employés ou aux populations exclues. De même, les projets pilotes réduisent les risques financiers, mais peuvent exagérer le degré de préparation s’ils évitent les difficultés de l’intégration et la variabilité du monde réel.

Comme le livre date de 2018, certains exemples de produits et certaines affirmations chiffrées doivent être considérés comme des illustrations propres à l’époque, et non comme des références actuelles. Ses conseils les plus durables portent sur la méthode: vérifier ce que le système fait réellement, établir une référence crédible, le tester sur des données qu’il n’a pas vues, surveiller la dérive et donner la parole aux personnes concernées. Le livre se lit mieux comme un guide de l’apprentissage organisationnel responsable que comme un catalogue de produits d’IA intemporels.

Résumé en 30 secondes
L’IA d’entreprise est particulièrement efficace pour les tâches fréquentes et structurées, lorsque des personnes vérifient les résultats ambigus ou à forts enjeux. Commencez par un problème mesurable et une référence réaliste, puis testez un modèle sur des données qu’il n’a pas vues. Des essais de quatre semaines peuvent limiter les risques initiaux, mais le déploiement entraîne des coûts récurrents liés à l’intégration, au suivi, à la sécurité et au réentraînement. Selon une estimation, 45 % des tâches pourraient être automatisées, alors que seulement 5 % des emplois avaient été entièrement supprimés ; pourtant, 74 % des dirigeants s’attendaient à automatiser, et seulement 3 % prévoyaient d’accroître la formation des employés. Les choix concernant les données et le coût des erreurs déterminent qui en bénéficie et qui en subit les conséquences.
Contient des spoilers

Dernière mise à jour:

Signaler un problème

Résumé des avis

3.32 sur 5
Moyenne de 93 évaluations de Goodreads et Amazon.

Rien à traduire ici, car le contenu fourni est nul. Si vous souhaitez, vous pouvez me transmettre un texte à traduire en français selon le style demandé.

Votre note :
3.96
58 évaluations
Envie de lire le livre complet ?

Glossaire

Intelligence artificielle générale (IAG)

Intelligence générale des machines transférable

L’intelligence artificielle générale désigne une machine hypothétique dotée d’une intelligence égale ou supérieure à celle des humains, capable d’apprendre à partir d’une expérience limitée, d’abstraire des concepts et de transférer des connaissances d’un domaine à un autre. Le livre oppose l’IAG aux systèmes spécialisés actuels, capables d’accomplir des tâches impressionnantes dans des domaines précis, mais qui n’appliquent pas automatiquement leurs capacités à des problèmes sans rapport.

Continuum de l’intelligence machine (Machine Intelligence Continuum)

Cartographie des capacités des machines

Le Continuum de l’intelligence machine est le cadre proposé par le livre pour décrire les systèmes-machines selon la complexité de leurs capacités. Il va de l’automatisation fondée sur des règles fixes et de la prédiction à partir de données à l’apprentissage, à la création de contenu et à l’interprétation des émotions, jusqu’à l’abstraction et à l’auto-évolution hypothétiques. Ses niveaux ne constituent pas des catégories rigides ; ce cadre aide les dirigeants d’entreprise à distinguer ce qu’un système peut réellement faire des vastes promesses marketing.

Vérité terrain (ground truth)

Éléments de référence vérifiés

La vérité terrain désigne des informations observables et vérifiables, considérées comme une référence objective pour évaluer un système d’apprentissage automatique. Elle sert à déterminer si les prédictions sont exactes. En pratique, il peut être difficile de l’établir, car les dossiers peuvent être incomplets, subjectifs, déduits ou issus d’un échantillon biaisé. Une référence défectueuse peut donner l’impression qu’un modèle fonctionne bien alors qu’il produit des résultats trompeurs ou préjudiciables.

HiPPO (opinion de la personne la mieux rémunérée)

Opinion de la personne la mieux rémunérée

HiPPO est le terme abrégé employé dans le livre pour désigner une culture décisionnelle où la préférence de la personne la mieux placée dans la hiérarchie ou la mieux rémunérée l’emporte sur les données et l’analyse. Une HiPPO peut promouvoir une stratégie qu’elle privilégie ou rejeter une proposition étayée par des données en s’appuyant sur son autorité ou son intuition. Le terme décrit un obstacle organisationnel à la prise de décision analytique ; il ne signifie pas que l’expérience des dirigeants est toujours erronée.

Équipe commando IA (AI SWAT Team)

Groupe transversal chargé de projets d’IA

Une équipe commando IA est un petit groupe pluridisciplinaire qui soutient le responsable de l’IA d’une organisation. Elle réunit des personnes de différents services, niveaux hiérarchiques et domaines d’expertise pour repérer, hiérarchiser et mener à bien des occasions d’automatisation, puis en rendre compte. Le livre recommande d’y inclure des points de vue de première ligne et non techniques, afin que les équipes puissent cerner les besoins opérationnels, les risques de mise en œuvre et les effets que les spécialistes techniques pourraient ne pas remarquer.

Indicateur de cap (True North metric)

Mesure principale des progrès significatifs

Un indicateur de cap est une mesure claire et exploitable qui permet de concentrer un projet d’envergure sur un résultat commercial significatif. Il devrait être compréhensible dans l’ensemble de l’organisation et servir d’indicateur crédible de réussite, plutôt que de simple statistique de vanité. Parmi les exemples du livre figure la mesure de l’engagement réel des nouveaux utilisateurs, plutôt que le seul décompte des inscriptions.

Dette technique

Coût des travaux techniques futurs

La dette technique correspond aux coûts futurs engendrés par des raccourcis ou des choix de conception qui compliquent la maintenance, l’évolution ou la réparation d’un logiciel. Dans les systèmes d’apprentissage automatique, elle peut découler non seulement du code, mais aussi de données peu fiables ou obsolètes, de modèles complexes et de chaînes de traitement fragiles. Lorsque les modèles évoluent ou que les conditions d’exploitation changent, le manque d’entretien peut entraîner des défaillances coûteuses et des reprises de plus en plus lourdes.

Apprentissage automatique en tant que service (MLaaS)

Capacités d’apprentissage automatique hébergées

L’apprentissage automatique en tant que service désigne des plateformes ou des offres de fournisseurs qui proposent des outils ou une infrastructure pour développer, entraîner, déployer ou exploiter des systèmes d’apprentissage automatique. Les organisations peuvent recourir au MLaaS pour accéder à ces capacités sans devoir construire elles-mêmes chaque composant. Le livre décrit également des plateformes MLaaS internes qui uniformisent les flux de travail, conservent les données des expérimentations et aident les équipes à mettre les modèles en production.

À propos de l'auteur

Il semble que le contenu à traduire soit vide. Pourriez-vous me fournir le texte à traduire en français ? Je serai ravi de vous aider.

Télécharger le PDF

Pour garder le résumé de Applied Artificial Intelligence pour plus tard, téléchargez gratuitement le PDF. Vous pouvez l’imprimer ou le lire hors ligne quand vous le souhaitez.
Download PDF

Télécharger l'EPUB

Pour lire le résumé de Applied Artificial Intelligence sur votre liseuse ou dans une application de lecture, téléchargez gratuitement l’EPUB. Le format numérique .epub est idéal pour lire des livres numériques sur téléphone, tablette ou liseuse.
Download EPUB
Envie de lire le livre complet ?
Suivre
Écouter
Accueil
Swipe
Biblio
Appli
Essayez l'accès complet pendant 3 jours
Écoutez, enregistrez, et plus encore
Comparer les fonctionnalités Gratuit Pro
📖 Lire les résumés
Lisez des résumés illimités. Les utilisateurs gratuits en reçoivent 3 par mois
🎧 Écouter les résumés
Écoutez des résumés illimités dans 40 langues
—
❤️ Favoris illimités
Limité à 4 pour les utilisateurs gratuits
—
📜 Historique illimité
Limité à 4 pour les utilisateurs gratuits
—
📥 Téléchargements illimités
Limité à 1 pour les utilisateurs gratuits
—
Calendrier sans engagement
Aujourd'hui : Accès immédiat
Écoutez les résumés complets de plus de 26 000 livres. Soit plus de 12 000 heures d'audio !
Jour 2 : Rappel d'essai
Nous vous enverrons une notification pour vous informer que votre essai se termine bientôt.
Jour 3 : Votre abonnement commence
Vous serez débité le 25 nov.,
annulez à tout moment avant.
Consume 2.8× More Books
2.8× livres de plus Écoute Lecture
Nos utilisateurs nous adorent
1M+ lecteurs
Trustpilot Rating
TrustPilot
4.6 Excellent
Ce site change tout. Je n'ai jamais lu autant de résumés aussi rapidement. Je recommande vivement.
— Dave G
Ça vaut vraiment le coup en temps et en argent, et c'est très bien fait. Je n'ai jamais vu cette qualité de résumés ailleurs. Très utile !
— Em
Hautement recommandé !! Service fantastique. Parfait pour ceux qui veulent plus qu'un aperçu sans tous les détails d'un livre audio complet.
— Greg M
Économisez 62 %
Annuel
$119.88 $44.99/an/an
$3.75/mois
Mensuel
$9.99/mois
Démarrer un essai gratuit de 3 jours
3 jours gratuits, puis $44.99/an. Annulez à tout moment.
Unlock a world of fiction & nonfiction books
Plus de 26 000 livres pour le prix de 2 livres
Lisez n'importe quel livre en 10 minutes
Découvrez de nouveaux livres comme sur Tinder
Demandez n'importe quel livre s'il n'est pas encore résumé
Lisez plus de livres que quiconque
L'appli n°1 pour les amateurs de livres
Lifelike & immersive summaries
Garantie satisfait ou remboursé 30 jours
Téléchargez les résumés en EPUB ou PDF
Annulez à tout moment en quelques clics

Pourquoi un seul résumé ?

Scanner
Trouvez un code-barres à scanner

⭐
⭐
⭐
Nous avons un cadeau spécial pour vous
Ouvrir
38 % de réduction
RÉDUCTION POUR VOUS
⭐
⭐
⭐
$79.99
$49.99/an
Seulement $4.16 par mois
Continuer
2 touches pour commencer, résiliation ultra simple
Paramètres
Général
Widget
Chargement...