Augmenter la précision de votre algorithme

La phase de data product discovery sert à lever les risques de valeur, viabilité business, d’usage et de faisabilité technique sur un produit data de la manière la moins coûteuse possible.

Cette approche est basée sur une expérience du terrain pour s’affranchir des biais du client et sur un focus sur la stratégie data du produit grâce à :

• Une équipe pluri-disciplinaire pour adresser l'ensemble des risques.

• Une approche itérative pour apporter de la valeur dès la 1ère release.

Afin d'automatiser vos processus de production, nous réalisons un Minimum Valuable Product pour vous permettre de rapidement tester le modèle en production : 

• Collecte de la donnée :

  Définition du défi et de la portée du cas d'utilisation, formalisation des besoins de l'entreprise

  Analyse des indicateurs clés de performance et de l'accessibilité technique

  Création et analyse du Dataset 

  Préparation de l'ingestion des données et définition de l'architecture cible

• Développement du modèle en mode itératif
  

  
  Entraînement du modèle : générer un nouveau modèle basé sur un ensemble de données fixe, planifier la fréquence d'entraînement du modèle pour prendre en compte les nouvelles données, optimiser le modèle en termes de ressources consommées, de temps de réponse, de biais, de valeurs extrêmes.
  
  

  Inférence du modèle : appliquer le modèle à un échantillon pour obtenir une prédiction, prévoir la fréquence d'actualisation des prédictions, contrôler les performances : pertinence des résultats obtenus, comparaison avec la réalité et les indicateurs métiers. Cette étape avec un modèle de base puis avec des itérations.

Tout au long du développement de votre solution, nous mettons en place des process de contrôle de la donnée pour assurer sa qualité et son utilisation métier : 

• Qualité et Observabilité : Suivre la santé des données de bout en bout et éliminer leur mauvaise utilisation en appliquant et automatisant les vérifications de fraîcheur, volume, format et règles métiers. S’assurer de l’origine de la donnée grâce au data lineage. Mettre en place de standards et des outils de test à chaque étape.

• Accessibilité : Faciliter l’usage des données en fournissant une version complète, unique et harmonisée de la “vérité”. Mettre en place un catalogue de données et des outils de discovery avec le bon niveau d’accès et de contrôle.