4 min lecture • Guide 766 of 877
Gestion de Projet Machine Learning
Les projets de machine learning diffèrent du logiciel traditionnel - les expériences échouent souvent, les timelines sont incertaines et le déploiement est complexe. GitScrum aide les équipes à gérer efficacement le travail ML.
Phases de Projet ML
Structure des Phases
CYCLE DE VIE PROJET ML:
┌─────────────────────────────────────────────────────────────┐
│ │
│ PHASE 1: DÉFINITION DU PROBLÈME │
│ ───────────────────────────────── │
│ Durée: 1-2 semaines │
│ │
│ Tâches: │
│ ☐ Définir le problème business │
│ ☐ Identifier les métriques de succès │
│ ☐ Évaluer la faisabilité │
│ ☐ Définir le scope MVP │
│ │
│ Output: Décision go/no-go, charte projet │
│ │
│ ─────────────────────────────────────────────────────────── │
│ │
│ PHASE 2: PRÉPARATION DES DONNÉES │
│ ───────────────────────────────── │
│ Durée: 2-4 semaines │
│ │
│ Tâches: │
│ ☐ Collecte des données │
│ ☐ Exploration des données │
│ ☐ Feature engineering │
│ ☐ Création pipeline données │
│ ☐ Split train/test │
│ │
│ Output: Dataset propre, feature set, pipeline données │
│ │
│ ─────────────────────────────────────────────────────────── │
│ │
│ PHASE 3: EXPÉRIMENTATION │
│ ───────────────────────────── │
│ Durée: 2-6 semaines (timeboxé) │
│ │
│ Tâches: │
│ ☐ Modèle baseline │
│ ☐ Itérations d'expérience │
│ ☐ Sélection de modèle │
│ ☐ Tuning hyperparamètres │
│ │
│ Output: Modèle entraîné atteignant critères (ou stop) │
│ │
│ ─────────────────────────────────────────────────────────── │
│ │
│ PHASE 4: PRODUCTIONISATION │
│ ─────────────────────────── │
│ Durée: 2-4 semaines │
│ │
│ Tâches: │
│ ☐ Infrastructure serving modèle │
│ ☐ Monitoring │
│ ☐ Setup A/B testing │
│ ☐ Rollout │
│ │
│ Output: Modèle en production │
│ │
│ ─────────────────────────────────────────────────────────── │
│ │
│ PHASE 5: MAINTENANCE │
│ ────────────────────── │
│ Continue │
│ │
│ Tâches: │
│ ☐ Monitoring modèle │
│ ☐ Détection drift │
│ ☐ Ré-entraînement │
└─────────────────────────────────────────────────────────────┘
Gestion des Expériences
Tâches d'Expérience
TÂCHE EXPÉRIENCE ML:
┌─────────────────────────────────────────────────────────────┐
│ │
│ STRUCTURE EXPÉRIENCE: │
│ ┌─────────────────────────────────────────────────────────┐│
│ │ ML-EXP-05: Tester BERT pour classification sentiment ││
│ │ ││
│ │ HYPOTHÈSE: ││
│ │ BERT fine-tuné surpassera le système à règles actuel ││
│ │ de 15%+ en score F1. ││
│ │ ││
│ │ BASELINE: ││
│ │ Système à règles actuel: 0.72 F1 ││
│ │ ││
│ │ CRITÈRES DE SUCCÈS: ││
│ │ ≥ 0.85 F1 sur test set ││
│ │ ││
│ │ TIMEBOX: ││
│ │ 1 semaine maximum ││
│ │ ││
│ │ APPROCHE: ││
│ │ ☐ Fine-tuner bert-base-uncased ││
│ │ ☐ Utiliser training set labellisé (10K exemples) ││
│ │ ☐ 5-fold cross validation ││
│ │ ☐ Comparer avec baseline ││
│ │ ││
│ │ RESSOURCES: ││
│ │ • GPU: 1x V100 ││
│ │ • Temps entraînement: ~4 heures ││
│ └─────────────────────────────────────────────────────────┘│
└─────────────────────────────────────────────────────────────┘