Débrief Workshop : L'IA au service de votre startup !

Lors de ce workshop, nous avons présenté les erreurs à éviter quand on veut lancer une startup IA, comment développer des solutions Data efficaces (Cloud, Big Data, Machine Learning, mise en production, …) et les techniques pour recruter les bons profils aux bons postes. Voici ce qui en ressort :

01 — Avant tout : construire une architecture qui répond à mes besoins

Construire une architecture Data pérenne ne se fait pas du jour au lendemain. Le plus important, c’est de cibler la pièce maîtresse de son infrastructure : si mon produit a pour objectif principal de collecter et d’analyser des données, tout l’effort doit être placé dans les bases de données.

Aujourd’hui, plus besoin d’être un expert, beaucoup d’outils Cloud permettent de créer et administrer des bases de données sans une ligne de code !

02 — La simplicité pour maître mot

Quand on lance son projet, on est tenté d’utiliser les outils les plus sophistiqués. Mais le plus important dans un premier temps est d’utiliser l’outil le plus simple qui répond à un besoin bien précis.

Non seulement cela va permettre de mettre sur pied une première solution, mais cela sera également plus facile si l’on doit se détacher de l’outil par la suite.

03 — Le Machine Learning n’est pas la solution à tout

Le Machine Learning est un outil puissant que tout le monde a envie d’exploiter.

Contrairement à ce que l’on pourrait penser, l’implémentation des modèles de ML n’est pas la chose la plus compliquée à mettre en place. Le réel enjeu est de construire des algorithmes qui s’intègrent efficacement dans son architecture (c’est-à-dire que l’on ne va pas déconstruire ce qui existe déjà).

Notre conseil : attention à la hype autour du Machine Learning ... Il n’est pas toujours utile d’avoir des algorithmes prédictifs pour répondre à certains besoins. Il faut bien calculer son ROI avant de se lancer.

04 — Deep Learning : attention à la difficulté

Pour certains besoins, le algorithmes de Deep Learning sont indispensables. Par exemple, pour la Computer Vision qui à la fois demande des compétences très techniques, mais également beaucoup de ressources à disposition (serveurs et données) pour entraîner les modèles.

Le Deep Learning peut être une nécessité, mais il convient de faire attention à bien estimer ses coûts et la faisabilité du projet.

05 — Recrutement : pas de formule magique

Le recrutement est une étape cruciale quand on lance son projet. Il est impératif de bien prendre en compte les besoins précis de sa start-up pour recruter les bonnes compétences et parvenir à les accompagner de manière pertinente.

Qu’il s’agisse de freelances aguerris ou d’apprentis data scientists en stage, ce n’est pas de la magie : si le besoin est mal exprimé/compris, il y a des chances que le projet n’aboutisse pas.

Maintenant que nous t’avons présenté les principales erreurs à éviter quand on est dans son projet, nous proposerons de nouveaux workshops pour te guider au mieux dans la réalisation de ton projet.