La grande majorité du travail de développement de modèles d'apprentissage automatique dans l'industrie consiste à préparer les données, mais les méthodes actuelles exigent beaucoup de travail intensif et répétitif de la part des praticiens.
Archives de l'auteur : Kornel Csernai
Comment nous avons appliqué la mise en cache côté client pour améliorer de 70 % les performances de la boutique en ligne
Chez DoorDash, nous faisons des millions de prédictions chaque seconde pour alimenter les applications d'apprentissage automatique afin d'améliorer nos domaines de recherche, de recommandation, de logistique et de fraude, et la mise à l'échelle de ces systèmes complexes avec notre magasin de fonctionnalités est continuellement un défi.
Maintenir la précision des modèles d'apprentissage automatique grâce à la surveillance
La dérive des modèles d'apprentissage automatique se produit au fur et à mesure que les données changent, mais un système de surveillance robuste permet de maintenir l'intégrité.