Data & AI

Quelles stratégies et patterns de déploiement adopter pour déployer un modèle de machine learning au sein de mon logiciel ?

Cet article est le troisième et dernier d’une série de 3 qui traitent d’un retour d'expérience autour de l’organisation d’une filière No-Code dans la data et avec l’outil Data Fusion de Google.Article 1 - Contexte, cadre et description du projetArticle 2 - Les limites, les difficultés et les paradesArticle 3 - Évaluations de Data Fusion et conclusi...

L'inférence causale permet d'analyser des données en allant au-delà des corrélations, pour mieux comprendre les liens de causalité et intervenir adéquatement.

Cet article est le deuxième d’une série de 3 qui traitent d’un retour d'expérience autour de l’organisation d’une filière No-Code dans la data et avec l’outil Data Fusion de Google.Article 1 - Contexte, cadre et description du projetArticle 2 - Les limites, les difficultés et les paradesArticle 3 - Évaluations de Data Fusion et conclusions projetsL...

Comment monter une filière no-code avec data fusion; gcp; factory; data fusion; retours d'expérience; low-code; citizen developers;

En tant que développeur d’application embarquant une brique de Machine Learning notre  principal objectif est d’avoir une application utilisée qui fonctionne sans bogue.Une fois en production et utilisée, il faut anticiper ou identifier les bogues dans notre application et les résoudre au plus vite, afin de maintenir le service rendu et en tirer ré...

Si les métiers comme Data Analyst et Data Scientist peuvent paraître très confus pour les non-initiés au Big Data, ses enjeux et ses technologies ne sont pas aussi simples à envisager. Pourtant, elles font partie de notre vie de tous les jours. Pour tous les candidats qui débutent leur carrière mais aussi pour ceux qui souhaitent se reconvertir, av...

Comprenez pourquoi “Data as a Product” est au cœur du Data Mesh et comment cette approche structure la gouvernance data.

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.

Cet article fait partie de la série Accélérer le Delivery de projets de Machine Learning, traitant de l’application d’Accelerate dans un contexte incluant du Machine Learning. Si vous n’êtes pas familier avec Accelerate, ou si vous souhaitez avoir plus de détails sur le contexte de cet article, nous vous invitons à commencer par lire l’article intr...