Conclusion

Le rôle central des données et de leur compréhension

Tout au long de cet ouvrage, les données sont apparues comme le facteur déterminant de tout processus de data science en soulignant l’identification des caractéristiques pertinentes comme le préalable indispensable à la réussite d’une modélisation. Lorsque les résultats ne sont pas au rendez-vous, il apparaît clairement que toutes les variables explicatives n’ont pas été identifiées. Pour certains phénomènes, c’est d’ailleurs tout simplement impossible car ils sont soumis à trop de facteurs.

Prenons l’exemple de la prédiction du temps passé dans un musée. Identifier précisément cette durée pour chaque personne nécessiterait une quantité énorme d’informations pour prédire au mieux la réalité. En pratique, c’est tout bonnement impossible.

Ici, nous touchons du doigt les problèmes de systèmes chaotiques où une modification mineure sur l’un des paramètres peut aboutir à des résultats complètement différents et inattendus.

Une bonne connaissance de la théorie sera donc une précieuse conseillère et nous évitera de perdre notre temps à élaborer des modélisations...

Des évolutions qui transforment et accélèrent tout

Nous sommes actuellement dans une phase d’accélération de l’intelligence artificielle où même les professionnels du secteur les plus aguerris sont surpris de constater l’émergence de techniques qu’ils n’auraient pas imaginées il y a encore quelques années, remettant en question certaines certitudes et modifiant en profondeur le paysage de la data science.

Ces évolutions peuvent être regroupées selon les trois thématiques suivantes :

1. L’évolution du matériel technologique

Le développement du matériel technologique est au cœur des évolutions et de leur accélération. En proposant toujours plus de puissance, il rend possible l’émergence de nouveaux modèles parfois révolutionnaires.

Les capacités de puissance de calcul reposent majoritairement sur deux piliers : la GPU (Graphic Processing Unit) et la TPU (Tensor Processing Unit).

Conçus à l’origine pour le rendu graphique, les GPU se sont avérés polyvalents pour des applications variées, notamment dans le domaine de l’apprentissage automatique, grâce à leur capacité à effectuer des calculs parallèles de manière efficace.
Les TPU ont, en revanche, été spécifiquement créés par Google pour accélérer les calculs liés aux réseaux de neurones, facilitant ainsi l’entraînement et le déploiement des modèles d’IA à grande échelle.

En parallèle de ces progrès sur la puissance de calcul émergent de nouvelles technologies prometteuses, comme l’ordinateur quantique. Ce nouveau type d’ordinateur propose une capacité de traitement sans précédent et pourrait résoudre des problèmes complexes inaccessibles aux architectures classiques, ce qui pourrait accélérer encore davantage le développement de l’IA.

2. L’amélioration des modèles

Les modèles algorithmiques sont les grands bénéficiaires de ces avancées. L’augmentation de la puissance de calcul...

Importance de la théorie et invitation à l’exploration

Au-delà des considérations sociétales et philosophiques sur lesquelles nous n’avons que peu d’influence, il est important de comprendre le fonctionnement de cette nouvelle technologie pour mieux l’appréhender et la contrôler plutôt que la subir. En envisageant nos connaissances théoriques comme une boussole dans ce monde numérique en perpétuel changement, nous l’aborderons de manière positive comme une invitation à l’exploration qui renforcera notre savoir et notre connaissance du monde.

En compagnie de Python, embarquons pour ce voyage d’exploration et de découverte. Grâce à lui, nous disposons non seulement d’une solution complète pour extraire, nettoyer, visualiser et analyser nos données, et ainsi en comprendre les enjeux, mais aussi pour concevoir des modèles prédictifs et automatiser des tâches complexes, nous ouvrant ainsi la voie à des prises de décisions plus éclairées et pertinentes.