Machine Learning
In this article, we will introduce the notion of concept drifts: how to define and detect them.Congratulations, you have been accepted as part of the Data Science team of an airline company! You were hired to build a Machine Learning model which predicts the company’s monthly profits.After several weeks of experimentations on your Jupyter Notebook,...
Les équipes développant des applications de Data Science investissent beaucoup d’énergie pour identifier et implémenter des métriques de monitoring pertinentes. Nous pensons qu’il est possible de capitaliser sur ce travail en proposant des fonctionnalités supplémentaires à nos utilisateurs afin de renforcer l’impact de nos applications.
“Make the flow of work visible through the value stream. Teams should have a good understanding of and visibility into the flow of work from the business all the way through to customers, including the status of products and features. Our research has found this has a positive impact on IT performance." Extrait de: Forsgren PhD. « Accelerate. »Cet ...
Edge Computing : Retour d’expérience d’un use case d’inspection visuelle embarquée sur un drone avec Bureau Veritas Marine & Offshore
Data & AI
Le Cloud Computing a déjà fait ses preuves dans le traitement de grands volumes de données. Cependant dans un contexte IoT, la centralisation dans le Cloud de toutes les données capturées par les objets connectés se heurte au problème du coût de stockage, du coût de transport réseau et de la latence.C’est là qu’intervient le Edge computing, un ense...
Les 10 convictions qui, selon nous, permettent de réussir ses projets de data science en 2021. On vous donne nos astuces.
Contexte et périmètre :Dans le cadre du Hackathon SAP Analytics Cloud (SAC) du 30 avril au 7 mai 2020, la tribu LIQSA (Liquid SAP Analytics) a réalisé un tableau de bord incorporant :un algorithme de Machine Learning en Python,des visualisations innovantes grâce à des librairies D3JS.Sachant que cet article fait référence à un PoC réalisé dans le c...
Lorsque l’on s'apprête à mettre (ou lorsque l’on a mis) un système de data science en production, on souhaite s’assurer qu’il fonctionne comme prévu. Pour cela, il convient de monitorer ce système intelligent.