Bonjour,

Pensez vous qu'avec les solutions comme Microsoft Azure Machine learning Studio et Prediction IO, les data scientists connaissant réellement ce qui se cache derrière les algorithmes vont disparaitre?

A quoi bon savoir ce qui se trouve dans les boites noires, tant qu'on connait assez d'options de la boite noire.

Comme d'habitude : non.

Certains utiliseront les outils sans connaître ce qui se cache derrière, mais d'autres maîtriseront la théorie derrière.

PopoLegigolo a écrit:

A quoi bon savoir ce qui se trouve dans les boites noires, tant qu'on connait assez d'options de la boite noire.

Et qui fait la boite noire ? Et qui la maintient ?

(Puis après, effectivement, c'est bien beau de savoir utiliser la boîte, mais si on n'est pas capables de comprendre ce qui s'est passé dedans, on peut passer à côté de gros problèmes ou tirer des conclusions fausses).

Certes, mais ceux qui font les boites noires n'ont pas besoin d'être beaucoup. Je veux dire, à quoi bon pour une entreprise payée un mec cher quand un type moins cher peut faire le même travail. Alors il pourra pas améliorer les modèles parce qu'il ne saura pas forcément ce qui s'y passe, mais ça fait tourner la machine.

En fait on peut même imaginer une robotisation du data scientist, une simple AI (personnalisé pour le client) apprendrait à utiliser le meilleur modèle. Et ça n'est pas impossible, même loin de là. Il suffirait d'avoir un bon critère pour juger d'un modèle (ce qui actuellement fait cruellement défaut, ce qui se comprend bien puisque tous les modèles ne font pas la même chose. Seulement quand la data science sera plus mur, des gens vont bien formaliser tout ça et créer des véritables critères.) Ce genre d'AI sortira clairement avant une quinzaine d'années dans un stade embryonnaire au pire (ne serait ce que parce que je veux le faire), mais clairement c'est le but de microsoft. enfin je pense.

-
Edité par PopoLegigolo 1 mars 2018 à 11:53:25

On peut faire le parallèle avec un compilateur. La plupart des développeurs sont à bac+5 et utilisent le compilateur comme une boîte noire. Pourtant durant leurs études ils ont presque tous eu des cours pour apprendre à faire un petit compilateur ou interpréteur, quelques cours de langages formels, de principe d’interpretation des langages...

-
Edité par Bibou34 1 mars 2018 à 12:07:58

PopoLegigolo a écrit:

Alors il pourra pas améliorer les modèles parce qu'il ne saura pas forcément ce qui s'y passe, mais ça fait tourner la machine.

En fait on peut même imaginer une robotisation du data scientist, une simple AI (personnalisé pour le client) apprendrait à utiliser le meilleur modèle.

Améliorer les modèles et la qualité des modèles c'est une autre question. Il faut déjà être capable de juger de la pertinence des informations extraites, voir s'il n'y a pas des corrélations entre des éléments qui ne sont pas reliés qui ont été extraites, etc. Parce que le modèle statistique reste un modèle, ce qui en sort n'est pas forcément ce qui nous intéresse.

PopoLegigolo a écrit:

Ce genre d'AI sortira clairement avant une quinzaine d'années dans un stade embryonnaire au pire (ne serait ce que parce que je veux le faire).

C'est quoi tes connaissances actuelles sur le domaine de l'IA (et de quel type de technologies on parle, parce que l'IA ça fait un bail que ça existe) ?

Je comparerais plus ça à la création de site web. Avec les éditeurs WYSIWYG.(c'est même exactement la même chose pour moi et je suis d'accord qu'il faut encore de vrai développeurs, donc ça répond à ma propre questions en fait :D, donc je peux mettre ce sujet en résolu. Les besoins étant humains, ils évolueront toujours plus vite que la technologie, donc on a pas de soucis à se faire.).

A l'heure actuelle les boites noires sont incomparables et nécessite une expertise pour comprendre ce qui en sort. Je suis d'accord. Seulement, si vous créez un framework abstrait clair permettant de tout comparer (et par exemple ça a été un travail de Le Cam en statistiques, avant c'était une science empirique avec quelques résultats théoriques, le cam a permis d'unifier les points de vue (bon surement avec d'autres, comme toujours ce n'est pas le fait d'une seule personne, c'est juste pour donner un nom).)

Je dis juste que le machine learning est une science jeune (alors oui les modèles statistiques existent depuis longtemps, et la plupart des modèles existent depuis longtemps, seulement ça reste encore une science empirique , il n'y a qu'à voir le nombre de papiers réellement théoriques qui sortent comparativement aux nombres de papiers sortant un nouvel algorithme.). Je pense que des gens vont réussir à s'abstraire assez pour comprendre ce qui unifie tous les points de vue et alors on pourra comparer les modèles de manière plus précise et savoir ce qui convient à quel type de données.

-
Edité par PopoLegigolo 1 mars 2018 à 16:02:06