1 – Bien cerner les besoins métiers et l’ensemble des contraintes et exigences 

(que veut-on prédire ? quel environnement technique ? quel timming ?) 

=> des objectifs clairs et mesurables doivent être fixés avec le project owner 

  

2 – Gérer la mise à disposition des données et en faire une analyse 

=> les données doivent être rendues facilement accessibles 

=> leurs principales caractéristiques doivent être comprises 

  

3 – En fonction de l’analyse, effectuer les transformations nécessaires pour rendre les données compatibles avec les exigences des algorithmes à utiliser 

  

4 – Sélectionner plusieurs modèles de machine learning compatibles avec les données, les objectifs et les contraintes. 

  

5 – Entrainer chaque modèle et évaluer ses performances 

=> comparer les performances et retenir le modèle le plus efficace 

  

6 – Déployer le modèle et l’utiliser en production 

=> rester toujours à l’écoute des équipes métiers et réévaluer régulièrement les performances du modèle