Reading Time: 5 mins

Tester les systèmes d’intelligence artificielle – Mythe contre réalité (Partie 2)

Tester les systèmes d'IA

Tester les systèmes d’intelligence artificielle – Mythe contre réalité (Partie 2)

Avant de comprendre l’approche de test des applications d’apprentissage automatique, examinons les étapes de leur création. Voici les étapes générales impliquées dans la création d’une application d’apprentissage automatique, comme recommandé par le portail Amazon Machine Learning :

  • Définissez le(s) problème(s) principal(aux) de ML en fonction de ce qui est observé et de la réponse que vous souhaitez que le modèle prédise.
  • Collectez, nettoyez et préparez les données pour les rendre utilisables par les algorithmes de formation de modèles ML. Visualisez et analysez les données pour exécuter des vérifications d’intégrité afin de valider la qualité des données et de comprendre les données.
  • Souvent, les données brutes (variables d’entrée) et la réponse (cible) ne sont pas représentées de manière à pouvoir être utilisées pour former un modèle hautement prédictif. Par conséquent, vous devez généralement essayer de construire des représentations ou des caractéristiques d’entrée plus prédictives à partir des variables brutes.
  • Transférez les fonctionnalités résultantes à l’algorithme d’apprentissage pour créer des modèles et évaluer la qualité des modèles sur les données issues de la création de modèles.
  • Utilisez le modèle pour générer des prédictions de la réponse cible pour les nouvelles instances de données.

La première étape “Que prévoir” constitue la base du reste de la séquence ci-dessus. Maintenant, il y a des occasions où les “systèmes basés sur des règles” peuvent être utiles pour construire une solution au lieu d’utiliser des techniques d’apprentissage automatique. Zuci a organisé il y a un an un webinaire intitulé “Smart Phones, Smart Apps call for Smarter Tests” où nous avons discuté des différences entre les systèmes basés sur des règles et les solutions de nouvelle génération telles que l’apprentissage automatique. Regardez la vidéo pour en savoir plus.

Pour en revenir aux deux organisations avec lesquelles nous avons discuté, la question « Que prévoir » était l’application/la solution/le produit réel que les entreprises construisaient. Alors que l’une des entreprises utilisait l’apprentissage automatique pour créer une solution de prédiction pour le secteur de l’investissement, la solution de prédiction basée sur l’apprentissage automatique conçue par l’autre société était destinée à plusieurs secteurs tels que la vente au détail, la santé et les services financiers.

Les deux organisations disposaient d’une équipe de scientifiques des données (doctorants en mathématiques/statistiques), qui ont proposé les modèles mathématiques pour les algorithmes d’apprentissage automatique. Les modèles mathématiques ont été convertis en programmes logiciels à l’aide d’une équipe d’architectes logiciels. Les développeurs front-end ont participé à la création d’interfaces utilisateur visuellement riches pour les applications utilisant des technologies telles que JavaScript, HTML5, CSS, Angular, React et autres.

Alors, comment les organisations ont-elles géré les tests ? Quel a été le rôle de Zuci dans le test des applications ?

(À suivre …)

Read more

Tester les systèmes d’Intelligence Artificielle – Mythe vs Réalité (Partie 4)

Tester les systèmes d’Intelligence Artificielle – Mythe vs Réalité (Partie 3)

Tester des systèmes d’Intelligence Artificielle – Mythe vs Réalité

Similar posts

Machine Learning et Intelligence Artificielle : Tester des logiciels pour devenir « plus intelligent » ?

Keerthi Veerappan

An INFJ personality wielding brevity in speech and writing. Marketer @ Zucisystems.