undefined

Replay du comptoirPour la rédaction d’ un compte rendu de la présentation “ChatGPT : menace ou opportunité” que j’ai donnée mardi 21 mars, j'ai utilisé ChatGPT pour rédiger automatiquement ce résumé. J’ai appliqué en local un modèle de transcription automatique whisper. J’ai ensuite posé la bonne question à l’API ChatGPT pour qu’il me résume l’enre...

Élément clef en logiciel, la sécurité doit bien entendu être considérée en Machine Learning Delivery. Vos modèles une fois en production auront un impact réel sur les utilisateurs et l’organisation qui les ont produits, il est alors nécessaire que personne ne les manipule.

Les équipes développant des applications de Data Science investissent beaucoup d’énergie pour identifier et implémenter des métriques de monitoring pertinentes. Nous pensons qu’il est possible de capitaliser sur ce travail en proposant des fonctionnalités supplémentaires à nos utilisateurs afin de renforcer l’impact de nos applications.

Les 10 convictions qui, selon nous, permettent de réussir ses projets de data science en 2021. On vous donne nos astuces.

Lorsque l’on s'apprête à mettre (ou lorsque l’on a mis) un système de data science en production, on souhaite s’assurer qu’il fonctionne comme prévu. Pour cela, il convient de monitorer ce système intelligent.