IA : un grand écart entre preuve de concept et production

« Ceux d’entre nous qui travaillent dans le domaine de l’apprentissage automatique sont vraiment doués pour réussir sur un ensemble de test », a expliqué Andrew Ng, le pionnier de l’apprentissage automatique, « mais malheureusement, déployer un système nécessite plus que de bien réussir sur un ensemble de test. ».

S’exprimant via Zoom lors d’une session de questions-réponses organisée par DeepLearning.AI et Stanford HAI, Ng était interrogé sur les raisons pour lesquelles les modèles d’apprentissage automatique formés pour prendre des décisions médicales qui fonctionnent à peu près au même niveau que les experts humains ne sont pas utilisés dans les établissements médicaux, rapporte IEEE Spectrum.

« Toute l’IA, et pas seulement les soins de santé, pâtit d’un écart entre la preuve de concept et la production », précise-t-il. « Le cycle complet d’un projet d’apprentissage automatique ne se résume pas à la modélisation. Il s’agit de trouver les bonnes données, de les déployer, de les surveiller, de les renvoyer [dans le modèle], de montrer la sécurité, de faire tout ce qui doit être fait [pour qu’un modèle] soit déployé. [Cela va] au-delà de bien faire sur l’ensemble de test, ce qui, heureusement ou malheureusement, est ce à quoi nous excellons dans l’apprentissage automatique. »