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
