"C'est le travail sur ces sujets qui a permis toute ces avancées des LLMs"

Le D.E.V. de la semaine est Vincent Maladiere, co-founder @ Probabl. Vincent et Bruno explorent le rôle des modèles prédictifs dans l'analyse des données et leur aptitude à dévoiler la causalité, avec un focus sur l'intelligence artificielle. Ils discutent également des avancées dans Scikit-Learn et de la nécessité de repérer les liens causaux dépassant une simple corrélation. Certains défis évoqués sont le biais de sélection, l'analyse de survie et les complications liées aux données manquantes. Le duo conclut en réitérant que, malgré les progrès des modèles de langage, ils devraient compléter, plutôt que remplacer, les méthodes traditionnelles. Vincent termine en soulignant l'importance de l'apprentissage continu.

Chapitrages

00:00:53 : Introduction à la Prédiction et Causalité

00:01:34 : Présentation de Vincent

00:03:16 : Concepts Mathématiques et Philosophiques

00:03:27 : Découverte de Scikit-Learn

00:06:38 : Évolution de Scikit-Learn vers l'Industrie

00:07:45 : Signaux, Causalité et Modèles

00:11:30 : Prédiction vs Causalité

00:15:48 : Exemples de Causalité dans Divers Domaines

00:20:11 : Évaluation de Tests A/B et Causalité

00:28:52 : Automatisation des Décisions Basées sur des Modèles

00:30:53 : Projet ROAS et Prédiction

00:33:11 : Importance des Cohortes dans l'Analyse

00:35:03 : La Notion de Survie en Statistiques

00:43:12 : Feature Engineering et Causalité

00:47:36 : L'Impact des LLM sur la Prédiction

00:52:53 : Mélange de Techniques Traditionnelles et Modernes

00:55:44 : Recommandations de Contenus

00:56:29 : Conclusion et Remerciements

Liens évoqués pendant l'émission

Silicon Valley

Distribué par Audiomeans. Visitez audiomeans.fr/politique-de-confidentialite pour plus d'informations.