Ne construisez pas un projet d'IA sans lire ceci au préalable

Êtes-vous enthousiasmé par les capacités de ChatGPT, ou venez-vous de terminer votre cours de ML et êtes prêt à utiliser ces technologies pour créer une fonctionnalité intéressante ?

Dans les deux cas, vous devez savoir quels défis vous attendent lors de la création de votre première fonctionnalité basée sur l’IA. J'aurais aimé savoir tout cela il y a un an.

Tout d’abord, êtes-vous sûr d’avoir besoin de l’IA ?

Google règles-de-ml suggérons de commencer par un algorithme simple basé sur des heuristiques qui feront l'affaire et de passer à une solution d'apprentissage automatique uniquement lorsque les heuristiques deviennent complexes à maintenir.

L'ajout de l'IA pour résoudre un problème entraîne des défis supplémentaires auxquels vous devez faire face, tels que :

• Explicabilité : pourquoi la solution fonctionne-t-elle de cette façon pour un client ?
• Confidentialité des données : existe-t-il des solutions tierces qui traitent les données sensibles des clients
• Coût de maintenance/mise en œuvre : la chose que vous construisez n'aura probablement pas les meilleures performances cibles dès le premier jour, et vous devrez passer plus de temps à améliorer le modèle.

Pas de planification = pas de succès

De quoi parle le projet? Quel problème client cela résoudra-t-il ? Quelles mesures espérons-nous améliorer ? Quelles sont les limitations connues du système ?

Avant de mettre en œuvre, il est essentiel d’avoir des réponses à toutes ces questions. Plus vous identifiez de pièges potentiels lors de la planification, mieux c'est, car le coût du changement est relativement faible à ce stade.

Où sont les notes ?

Vous devez tout documenter : énoncé du problème, mesures, résultats souhaités, cas de test, journal de recherche, document de conception, jalons.

Rédiger des documents vous permet de garder moins de choses à l'esprit . D'autres personnes peuvent rejoindre rapidement votre projet ou utiliser les résultats de votre travail dans d'autres projets.

Commencez petit et simple

En gardant la première version de la fonctionnalité simple, vous pouvez la créer rapidement, mesurer l'impact, en tirer des enseignements et continuer à itérer. Construire une petite chose vous permet également d'établir une performance de base que vous améliorerez au fil des itérations ultérieures.

Créer un système qui fait beaucoup de choses et gère tous les cas d'utilisation possibles est un défi passionnant. Cependant, fabriquer un skateboard c'est toujours bien avant de construire une voiture.

Avez-vous fait vos recherches ?

Si le problème est nouveau dans le domaine et que personne ne l’a encore résolu, envisagez de le rechercher. Vous souhaitez tester si la résolution du problème est réalisable.

Le résultat de la recherche est un prototype fonctionnel minimal montrant qu'un algorithme peut résoudre le problème . La recherche peut également montrer qu'il n'existe pas de solution réalisable , ce qui constitue un excellent apprentissage. C'est pourquoi vous effectuez cette étape au début du projet.

Ne surestimez pas !

Votre preuve de concept peut sembler fantastique et créer un battage médiatique, mais il y a beaucoup de travail entre le prototype et la solution de production qui fonctionne pour tous les utilisateurs.

Lorsque vous travaillez avec une nouvelle technologie, la meilleure chose à faire est d’éviter de promettre de faire avancer les choses rapidement . Prenez votre temps, familiarisez-vous avec la technologie et l'espace problématique, divisez le travail en plusieurs petites étapes et estimez-les séparément.

Lorsque vous remarquez que quelque chose ne se passe pas comme prévu, communiquez avec l'équipe et assurez-vous que tout le monde comprend que le calendrier/le projet a changé.

Écrire des tests

Vous devez appliquer les mêmes principes de génie logiciel lors du développement avec l'IA. Votre solution évoluera et vous devez vous assurer qu’elle fonctionne comme prévu. Tests automatisés réduisez le temps passé à tester manuellement les choses et vous donnez plus de temps pour vous concentrer sur le problème et la solution.

C'est l'heure des tristes nouvelles...

Même après des mois de travail acharné, votre modèle peut avoir des performances médiocres. Cela peut être frustrant, mais cela fait partie du processus de développement du ML. Vous devez accepter que l’échec est possible et vous préparer à faire pivoter votre approche si nécessaire.

La chose importante à retenir est que chaque échec est une opportunité d’apprendre et de s’améliorer pour l’avenir.

Conclusion

La création d'une fonctionnalité basée sur l'IA nécessite une planification, une recherche et une mise en œuvre minutieuses. Il est crucial de commencer petit, de tout documenter et de communiquer régulièrement avec l'équipe. Et n’oubliez jamais d’évaluer si l’IA est nécessaire avant de mettre en œuvre quoi que ce soit.

N'oubliez pas que l'échec est possible, mais c'est une opportunité d'apprendre et de s'améliorer. Les seules personnes qui n’échouent jamais sont celles qui n’essaient jamais.

Ressources utiles :

• Mon blog personnel
• Pourquoi vous DEVEZ écrire des tests automatisés
• Règles du ML par Martin Zinkevitch
• Comment le coût de développement évolue au fil du temps
• Donner du sens au MVP par Henrik Kniberg