Machine Learning

Machine Learning

Let’s code: Drift and Detect!

The goal of this article is to induce together various types of concept drifts on the UCI Wine dataset as well as understand and test different drift detectors. The code and GitHub repository is provided. A vos claviers! Did you say drift? This is Part 2 of the Drift Article series. If you want to learn more about Concept Drifts and Detectors, please read the previous article here. Let’s say that you are part of the Data Science team of a wine company. You worked…

Lire la suite
Machine Learning

Compte-rendu – Le Comptoir OCTO ChatGPT

Replay du comptoir Pour 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’enregistrement audio en lui donnant l’ensemble de la transcription. Et voilà, j’ai mon résumé automatique 🤗 ! …Mais mes collègues Octos lui ont donné la note de 2.8/5 😔. Je les cite…

Lire la suite
Machine Learning

Optimisation du problème du voyageur de commerce par du Machine Learning :

Longtemps considéré comme la discipline reine alliant mathématiques appliquées et informatique dans l'industrie, l'optimisation combinatoire s'éclipse aujourd'hui dans l'ombre de son cousin le Machine Learning.  Au lieu de considérer les deux sujets indépendamment, nous vous proposons par le biais de cet article, un exemple de contribution du Machine Learning dans la résolution de l’un des problèmes les plus utilisés  de l’optimisation combinatoire.  Les problèmes d’optimisation combinatoire constituent une classe de problèmes qui cherche à trouver la solution optimale parmi un ensemble fini de choix. Or,…

Lire la suite
Machine Learning

Stratégies et patterns pour déployer automatiquement un modèle de machine learning

Automatiser un déploiement c’est pouvoir rendre accessible une nouvelle version de son logiciel en un clic. En ce qui concerne le déploiement d'un modèle de machine learning, il s’agit d’automatiser deux choses : la construction de l’artéfact modèle, communément appelé entraînement ; le déploiement du service d’inférence.  Service d’inférencePipeline de construction de l’artefact modèleRôleSert les prédictionsProduit un modèle à partir de données et de codeEnjeuPouvoir déployer une nouvelle version du modèle utilisable par le logiciel à la demandePouvoir lancer un entraînement à la demande Nous…

Lire la suite
Machine Learning

[MLOps] Monitoring & proactive notification d’une application de Machine Learning

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 réellement profit. Nous détaillerons plus précisément la notion de bogue en ML, mais pour commencer nous pouvons dire qu'un bogue en ML est soit une absence de prédiction, soit une erreur…

Lire la suite
Machine Learning

La génération d’images avec DALL-E 2

Introduction L’image est depuis maintenant quelques années, l’un si ce n’est le terrain de jeu favori en Deep Learning. Les réseaux de neurones profonds sont devenus si performants dans la reconnaissance d’objets qu’il fallait un nouveau challenge dans le domaine. Depuis quelques mois, nous voyons apparaître des modèles capables de générer des images cohérentes à partir de texte. Cela peut paraître anodin mais demande pourtant de comprendre la cohérence entre les pixels à différentes échelles, une tâche extrêmement compliquée. Après s'être penché sur les CNN,…

Lire la suite
Machine Learning

Machine Learning delivery : intégrer au plus tôt la sécurité

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 introduisant cette série. Vous y trouverez également le lien vers le reste des articles pour aller plus loin. Considérer la sécurité en Machine Learning Élément clef en logiciel, la sécurité…

Lire la suite
Machine Learning

Le change approval process d’un logiciel avec du ML

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 introduisant cette série. Vous y trouverez également le lien vers le reste des articles pour aller plus loin. Change Approval Process : de quoi s’agit-il ? Commençons par une définition…

Lire la suite
Machine Learning

Et si les métriques de monitoring de ML devenaient fonctionnalités ?

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. Le monitoring s’appuie notamment sur le calcul de métriques à des fins de supervisions; c'est-à-dire mesurer l’état de service et détecter des problèmes. Les métriques calculées peuvent être plus ou moins haut niveau, plus ou moins éloignées du matériel: Bas…

Lire la suite