Veuillez vous connecter pour acheter des Packs de crédits

 

Principe de l'offre Pay per use

L'offre Pay per use vous permet d'accéder à toutes les fonctionnalité d'Edge-ML, en ne payant qu'en fonction de votre usage réel. Une formule simple et souple : vous disposez d'un budget de crédits qui sera décompté selon les fonctionnalités utilisées. Les crédits sont valides 1 an à compter de la date d'achat.

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.

Modalités de décompte des crédits

    DÉCOMPTE DES CRÉDITS
Starter 150


Fonctionnalités du module STARTER (Auto Data Preparation)


1 crédit / run
Medium 150


Fonctionnalités du module MEDIUM (Auto Modeling)


2 crédits / run
Premium 150


Fonctionnalités du module PREMIUM (Auto Feature Engineering)


5 crédits / run
Production


Exploitation du modèle en production


1 crédit / 20.000 lignes

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 une 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 markéting ou pour améliorer la compréhension des phénomènes Métiers. Par ailleurs, l'interprétabilité est une exigeance réglementaire lorsque les modèles s'appliquent à des données personnelles.

Estimation du coût d'un projet

Pour vous faire une idée du coût d'un projet de Machine Learning en utilisant Edge-ML en mode Pay per use, nous prendrons deux exemples :

  1. Apprentissage d'un modèle de ciblage marketing :
    • Données tabulaires : informations clients et historique d'incidents
    • Déploiement sur un fichier de 100.000 clients

    Crédits décomptés : 1 run du module MEDIUM pour l'apprentissage du modèle, soit 2 crédits + 5 crédits pour le déploiement sur les 100.000 clients = 7 crédits (soit 210€).

  2. Apprentissage d'un modèle de classification automatique de mails :
    • Données séquentielles : adresses, objets et corps d'e-mails
    • Déploiement sur un fichier de 1.000.000 de mails

    Crédits décomptés : 10 runs du module PREMIUM pour tester des variables dérivées, soit 50 crédits + 50 crédits pour le déploiement sur 1.000.000 de mails = 100 crédits (soit 3K€).