Interview d'Isabelle Hilali, CEO chez datacraft, réalisé lors de l'évènement Tech Show Paris 2024
- Enjeu du projet : Le projet vise à prédire des résultats, comme identifier une pièce défectueuse, avec très peu de données, en utilisant des méthodes d'apprentissage comme le "few-shot learning". Cela est crucial pour des productions à petite échelle.
- Préparation nécessaire : Une problématique claire, des données propres et accessibles, un environnement sécurisé pour les données sensibles, et des outils comme des notebooks Python sont essentiels pour assurer la réussite.
- Participants de l’atelier : La réussite repose sur l’implication de participants ayant une expertise pertinente ou des expériences proches, par exemple dans le sport (prédiction des blessures) ou la santé (prédiction des maladies rares).
- Résultats obtenus : Les ateliers, répétés plusieurs fois, ont permis d’améliorer les méthodologies, de perfectionner les algorithmes développés, et de favoriser des échanges enrichissants sur les bibliothèques et outils utilisés.
- Leçons clés : Une problématique bien définie, des données de qualité, et une ouverture à des contributions variées sont fondamentales. Le succès réside dans le croisement des méthodologies et des perspectives diverses.
