Benefices Edge ML

Les avantages Edge-ML expliqués aux...

Décideurs, responsables Métier et directeurs marketing

Un outil générique, utile à tous vos projets

Edge-ML est un outil à caractère générique, c'est-à-dire utilisable sur l'ensemble de vos projets de Machine Learning : scoring bancaire, ciblage marketing, classification de textes ou de mails, publicité en ligne, analyse de sentiments, etc. (voir Cas d'usage)

Deux usages possibles d'Edge-ML...

  • Les Data Scientists utilisent Edge-ML en amont des techniques de Machine Learning traditionnelles pour accélérer et fiabiliser les projets (ex: Modèle base-line proche de l'optimal et très robuste pour Go/No du projet go, élimination des variables non-corrélées à la cible, calibrage les modèles, recodage des données et détection des dérives, aide au feature engineering...).

  • En mode automatique, Edge-ML réalise les projets de Machine Learning de A à Z, de la préparation des données jusqu'à l'apprentissage d'un classifieur, et sa mise en production. Les modèles sont produits en un temps record, et présentent un excellent rapport Performance / Robustesse.

Rapport Coût / Bénéfices

Le coût d'un projet de Machine Learning réalisé avec Edge-ML va d'une centaine d'euros pour un petit projet à quelques milliers d'euros pour un gros projet. Mais quels bénéfices allez-vous en retirer ?

  • Go/No go des projets : Au début d’un projet de Machine Learning, Edge ML vous fournit très rapidement le modèle de référence vous permettant d'évaluer les données : sont-elles suffisamment informatives pour répondre aux besoins du projet ?  Dans le cas contraire, mieux vaut ne pas lancer le projet car les résultats seront nécessairement décevants.

  • Réduction de la durée des projets : Un projet de 2 semaines traité avec les techniques de Machine Learning traditionnelles ne vous prendra que quelques heures grâce à Edge-ML. Que ce soit en mode automatique ou en accompagnement des techniques traditionnelles de Machine Learning, Edge-ML démultiplie la productivité de vos équipes.

  • Réduction des ressources matérielles : Edge ML est très économe en ressources matérielles en raison de l'approche mathématique utilisée. Des dizaines de millions d'exemples d'apprentissage peuvent être traitées sur un serveur standard. Edge-ML vous épargne ainsi de lourds investissements en puissance de calcul (clusters Hadoop, HPC...).

  • Modèles robustes et proches de l'optimal : Edge ML fournit automatiquement des modèles performants (qui se trompent rarement) et très fiables (performances stables lorsque le modèle est appliqué sur de nouvelles données). Il est toujours possible d'obtenir des modèles plus performants que ceux d'Edge-ML (outil générique) en recherchant pour chaque projet la méthode de Machine Learning la mieux adaptée. Mais cette possible optimisation s'obtient au prix d'un effort humain et de moyens matériels importants, avec un retour sur investissement incertain.

  • Modèles interprétables : les modèles Edge-ML étant facilement interprétables, ils pourront être exploités efficacement à des fins marketing ou pour améliorer la compréhension des phénomènes Métiers. Par ailleurs, l'interprétabilité est un atout réglementaire lorsque les modèles s'appliquent à des données personnelles.