La diversité des modèles compte-t-elle vraiment dans un ensemble ML ?
Pourquoi combiner des modèles différents ne garantit pas un meilleur ensemble : erreurs corrélées, complémentarité et validation du système complet.
Ibexcode
Publications
Nos Articles
Articles techniques, retours d’expérience, choix d’architecture et leçons tirées de projets réels.
Apprentissage machine et apprentissage humain, des problèmes étonnamment proches
Mémorisation, généralisation, évaluation, erreurs : ce que le Machine Learning révèle sur l'apprentissage.
Ibexcode
Du notebook à la production : construire un pipeline ML robuste avec Airflow et CI/CD
Du notebook à la production : orchestrer un pipeline ML avec Apache Airflow, validation des données, CI/CD, déploiement et observabilité.
Ibexcode
Quand une amélioration ML disparaît à la validation
Pourquoi un gain ML apparent peut disparaître lors d'une validation plus rigoureuse : incertitude statistique, biais de sélection, redondance et impact système.
Ibexcode
Construire un système de ranking ML sur des données temporelles sans data leakage
Comment éviter le data leakage dans un système de ranking ML temporel : validation future-only, prédictions OOF, stacking et calibration.
Ibexcode
Construire seul un produit ML de bout en bout : des données à l'application mobile
Retour d'expérience sur la conception d'un produit ML complet : Data Engineering, ranking, MLOps, backend cloud, CI/CD et application Flutter.
Ibexcode