Conditions d'utilisation de Machine Learning

Il est important de garder à l'esprit que l'apprentissage-machine n'est pas une solution pour chaque type de problème. Dans certains cas, des solutions robustes peuvent être développées sans recourir aux techniques d'apprentissage-machine. Par exemple, vous n'avez pas besoin de l'apprentissage-machine si vous pouvez déterminer une valeur cible à l'aide de règles simples, de calculs ou d'étapes prédéterminées pouvant être programmés sans apprentissage orienté données.

Utilisez l'apprentissage-machine pour les situations suivantes :

• Vous ne pouvez pas coder les règles : De nombreuses tâches humaines (telles que reconnaître si un e-mail correspond à du courrier indésirable ou non) ne peuvent pas être résolues convenablement à l'aide d'une solution simple (déterministe) basée sur des règles. Un grand nombre de facteurs peuvent influencer la réponse. Lorsque des règles dépendent d'un trop grand nombre de facteurs et qu'un grand nombre de ces règles se chevauchent ou doivent être réglées de façon très fine, il devient vite difficile pour une personne de coder précisément ces règles. Vous pouvez utiliser l'apprentissage-machine pour résoudre efficacement ce problème.

• Vous ne pouvez pas évoluer : Vous pouvez reconnaître manuellement quelques centaines d'e-mails et décider s'il s'agit de courrier indésirable ou non. Toutefois, cette tâche devient impossible pour des millions d'e-mails. Les solutions d'apprentissage-machine sont efficaces pour le traitement des problèmes à grande échelle.