{"id":16228,"date":"2023-06-12T09:56:40","date_gmt":"2023-06-12T07:56:40","guid":{"rendered":"https:\/\/www.kickmaker.fr\/blog\/?p=16228"},"modified":"2024-03-22T09:50:28","modified_gmt":"2024-03-22T08:50:28","slug":"synthetic-data","status":"publish","type":"post","link":"https:\/\/www.kickmaker.fr\/blog\/fr\/synthetic-data\/","title":{"rendered":"La donn\u00e9e synth\u00e9tique (synthetic data) au centre de la strat\u00e9gie IA"},"content":{"rendered":"[vc_row type=”in_container” full_screen_row_position=”middle” column_margin=”default” column_direction=”default” column_direction_tablet=”default” column_direction_phone=”default” scene_position=”center” text_color=”dark” text_align=”left” row_border_radius=”none” row_border_radius_applies=”bg” overlay_strength=”0.3″ gradient_direction=”left_to_right” shape_divider_position=”bottom” bg_image_animation=”none”][vc_column column_padding=”no-extra-padding” column_padding_tablet=”inherit” column_padding_phone=”inherit” column_padding_position=”all” column_element_spacing=”default” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” column_link_target=”_self” gradient_direction=”left_to_right” overlay_strength=”0.3″ width=”1\/1″ tablet_width_inherit=”default” tablet_text_alignment=”default” phone_text_alignment=”default” bg_image_animation=”none” border_type=”simple” column_border_width=”none” column_border_style=”solid”][image_with_animation image_url=”16308″ animation=”Fade In” hover_animation=”none” alignment=”” border_radius=”none” box_shadow=”none” image_loading=”default” max_width=”100%” max_width_mobile=”default”][\/vc_column][\/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” column_margin=”default” column_direction=”default” column_direction_tablet=”default” column_direction_phone=”default” scene_position=”center” text_color=”dark” text_align=”left” row_border_radius=”none” row_border_radius_applies=”bg” overlay_strength=”0.3″ gradient_direction=”left_to_right” shape_divider_position=”bottom” bg_image_animation=”none”][vc_column column_padding=”no-extra-padding” column_padding_tablet=”inherit” column_padding_phone=”inherit” column_padding_position=”all” column_element_spacing=”default” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” column_link_target=”_self” gradient_direction=”left_to_right” overlay_strength=”0.3″ width=”1\/1″ tablet_width_inherit=”default” tablet_text_alignment=”default” phone_text_alignment=”default” bg_image_animation=”none” border_type=”simple” column_border_width=”none” column_border_style=”solid”][vc_column_text]Appliquer les travaux d\u2019intelligence artificielle<\/a> \u00e0 l\u2019industrie, tout le monde veut le faire. Mais l\u2019immense majorit\u00e9 rencontre des obstacles s\u00e9rieux dans cette d\u00e9marche.<\/p>\n

Tout acteur du domaine \u00e0 connu cette frustration d’observer des r\u00e9sultats impressionnants issus du monde scientifique, mais qui\u00a0 se retrouvent tr\u00e8s d\u00e9grad\u00e9s d\u00e8s lors qu\u2019on veut les appliquer \u00e0 un probl\u00e8me \u00ab r\u00e9el \u00bb.
\nDe nombreuses raisons existent, entre la jeunesse th\u00e9orique du Deep Learning<\/a> et les difficult\u00e9s \u00e0 identifier les axes de robustesse d\u2019un mod\u00e8le pour industrialisation.
\nMais s\u2019il existe bien une constante dans ces obstacles, c\u2019est le manque de donn\u00e9e qui t\u00f4t ou tard met un coup d\u2019arr\u00eat aux projets. Nous travaillons depuis longtemps sur ces limites d\u2019application et pouvons aujourd\u2019hui proposer une m\u00e9thodologie saine, efficace et permettant d\u2019it\u00e9rer sur une solution Deep Learning tant pour les entra\u00eenements que pour les tests de mod\u00e8le.<\/p>\n

Dans cet article, nous vous pr\u00e9senterons les approches bas\u00e9es sur la donn\u00e9e synth\u00e9tique, et au-del\u00e0 sur une m\u00e9thodologie qui permette de travailler sereinement.<\/strong>[\/vc_column_text][\/vc_column][\/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” column_margin=”default” column_direction=”default” column_direction_tablet=”default” column_direction_phone=”default” scene_position=”center” text_color=”dark” text_align=”left” row_border_radius=”none” row_border_radius_applies=”bg” overlay_strength=”0.3″ gradient_direction=”left_to_right” shape_divider_position=”bottom” bg_image_animation=”none”][vc_column column_padding=”no-extra-padding” column_padding_tablet=”inherit” column_padding_phone=”inherit” column_padding_position=”all” column_element_spacing=”default” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” column_link_target=”_self” gradient_direction=”left_to_right” overlay_strength=”0.3″ width=”1\/1″ tablet_width_inherit=”default” tablet_text_alignment=”default” phone_text_alignment=”default” bg_image_animation=”none” border_type=”simple” column_border_width=”none” column_border_style=”solid”][vc_row_inner column_margin=”default” column_direction=”default” column_direction_tablet=”default” column_direction_phone=”default” text_align=”left”][vc_column_inner column_padding=”no-extra-padding” column_padding_tablet=”inherit” column_padding_phone=”inherit” column_padding_position=”all” column_element_spacing=”default” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” column_link_target=”_self” gradient_direction=”left_to_right” overlay_strength=”0.3″ width=”1\/1″ tablet_width_inherit=”default” bg_image_animation=”none” border_type=”simple” column_border_width=”none” column_border_style=”solid”][vc_column_text]Sommaire :<\/strong><\/p>\n

    \n
  1. \u00a0Il n\u2019y a jamais assez de donn\u00e9es<\/a><\/li>\n
  2. Une solution \u00e9vidente : g\u00e9n\u00e9rer de la donn\u00e9e<\/a><\/li>\n
  3. Les approches na\u00efves sont vou\u00e9es \u00e0 l\u2019\u00e9chec<\/a><\/li>\n
  4. Une m\u00e9thodologie indispensable<\/a><\/li>\n<\/ol>\n[\/vc_column_text][\/vc_column_inner][\/vc_row_inner][\/vc_column][\/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” column_margin=”default” column_direction=”default” column_direction_tablet=”default” column_direction_phone=”default” scene_position=”center” text_color=”dark” text_align=”left” row_border_radius=”none” row_border_radius_applies=”bg” id=”il-n-y-a-jamais-assez-de-donn\u00e9e” overlay_strength=”0.3″ gradient_direction=”left_to_right” shape_divider_position=”bottom” bg_image_animation=”none” shape_type=””][vc_column column_padding=”no-extra-padding” column_padding_tablet=”inherit” column_padding_phone=”inherit” column_padding_position=”all” column_element_spacing=”default” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” column_link_target=”_self” gradient_direction=”left_to_right” overlay_strength=”0.3″ width=”1\/1″ tablet_width_inherit=”default” tablet_text_alignment=”default” phone_text_alignment=”default” bg_image_animation=”none” border_type=”simple” column_border_width=”none” column_border_style=”solid”][vc_column_text el_id=”il-n-y-a-jamais-assez”]\n

    Il n\u2019y a jamais assez de donn\u00e9es<\/h3>\n[\/vc_column_text][divider line_type=”No Line”][vc_column_text]Tout amateur s\u2019\u00e9tant d\u00e9j\u00e0 int\u00e9ress\u00e9 au sujet, est au courant de cette probl\u00e9matique : \u00a0en IA, nous avons besoin d\u2019une quantit\u00e9 d\u00e9mesur\u00e9e de donn\u00e9e. Le \u00abtoujours plus \u00bb est un axiome qui peut vite \u00e9puiser.<\/p>\n

    Dans le monde acad\u00e9mique, les tr\u00e8s grands acteurs comme Google et son JFT Dataset ont accumul\u00e9 des dizaines de millions d\u2019images diff\u00e9rentes pour entra\u00eener leurs r\u00e9seaux.
    \nOr, d\u00e9tenir une telle quantit\u00e9 de donn\u00e9e est tr\u00e8s souvent hors de port\u00e9e pour un acteur industriel.<\/p>\n

    Rappelons \u00e9galement qu\u2019une donn\u00e9e, pour \u00eatre utilisable, doit \u00eatre annot\u00e9e par un acteur humain. Quand bien m\u00eame nous pouvons acc\u00e9l\u00e9rer fortement cette annotation<\/a>, \u00a0ces annotations doivent \u00eatre contr\u00f4l\u00e9es avec rigueur par des experts.
    \nCes derni\u00e8res, en effet, car serviront autant \u00e0 entra\u00eener (cr\u00e9er) nos mod\u00e8les Deep Learning qu\u2019\u00e0 qualifier leur qualit\u00e9 de pr\u00e9diction.
    \nDans ce dernier cas, une donn\u00e9e annot\u00e9e trop vite conduira \u00e0 un mod\u00e8le qui a l\u2019illusion d\u2019un bon fonctionnement, jusqu\u2019au jour fatidique de l\u2019industrialisation qui verra s\u2019\u00e9crouler ce mod\u00e8le.<\/p>\n

    Attention cependant, le but n\u2019\u00e9tant pas simplement d\u2019accumuler beaucoup de donn\u00e9e. Encore faut-il que cette donn\u00e9e soit suffisamment vari\u00e9e pour reproduire la distribution du probl\u00e8me que nous d\u00e9sirons adresser. La donn\u00e9e doit donc reproduire suffisamment de cas de figure vari\u00e9s, avec un certain \u00e9quilibre.
    \nOr, quel que soit le sujet industriel, les cas o\u00f9 nous manquons de donn\u00e9es sont ceux typiquement o\u00f9 leur acquisition est plus complexe ou co\u00fbteuse. Exemples\u00a0: les cas rares, les cas li\u00e9s au fonctionnement d\u2019un processus industriel co\u00fbteux \u00e0 interrompre, etc<\/p>\n

    La t\u00e2che semble alors vite impossible, et peut conduire \u00e0 chercher d\u2019autres moyens d\u2019am\u00e9liorer un mod\u00e8le IA. Par exemple, en travaillant une nouvelle architecture Deep Learning (un nouveau backbone en d\u00e9tection, par exemple), ou en fouillant les hyper-param\u00e8tres (par exemple via une approche Bayes+HyperBand, ou en Tensor V Programs).<\/p>\n

    Ces axes d\u2019am\u00e9lioration sont r\u00e9els, mais d\u2019exp\u00e9rience, ils donnent en g\u00e9n\u00e9ral des am\u00e9liorations beaucoup moins int\u00e9ressantes qu\u2019une donn\u00e9e plus riche et mieux contr\u00f4l\u00e9e.[\/vc_column_text][divider line_type=”No Line”][image_with_animation image_url=”16303″ animation=”Fade In” hover_animation=”none” alignment=”center” border_radius=”none” box_shadow=”none” image_loading=”default” max_width=”100%” max_width_mobile=”default”][\/vc_column][\/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” column_margin=”default” column_direction=”default” column_direction_tablet=”default” column_direction_phone=”default” scene_position=”center” text_color=”dark” text_align=”left” row_border_radius=”none” row_border_radius_applies=”bg” id=”une-solution-evidente” overlay_strength=”0.3″ gradient_direction=”left_to_right” shape_divider_position=”bottom” bg_image_animation=”none” shape_type=””][vc_column column_padding=”no-extra-padding” column_padding_tablet=”inherit” column_padding_phone=”inherit” column_padding_position=”all” column_element_spacing=”default” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” column_link_target=”_self” gradient_direction=”left_to_right” overlay_strength=”0.3″ width=”1\/1″ tablet_width_inherit=”default” tablet_text_alignment=”default” phone_text_alignment=”default” bg_image_animation=”none” border_type=”simple” column_border_width=”none” column_border_style=”solid”][vc_column_text]\n

    Une solution \u00e9vidente : g\u00e9n\u00e9rer de la donn\u00e9e<\/h3>\n[\/vc_column_text][divider line_type=”No Line”][vc_column_text]Une solution, apparue depuis quelques ann\u00e9es dans le monde scientifique, et tent\u00e9e avec plus ou moins de succ\u00e8s dans le monde industriel, est de g\u00e9n\u00e9rer de la donn\u00e9e pour augmenter les datasets.<\/p>\n

    Cette approche est devenue un canon en recherche, notamment depuis les travaux d\u2019OpenAI de \u00ab domain randomization \u00bb dans lesquels les chercheurs ont entra\u00een\u00e9 un agent robotique en environnement totalement simul\u00e9 pour appliquer ensuite au monde r\u00e9el ( Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World, Tobin et al,<\/a> ). Plus r\u00e9cemment, OpenAI et Berkeley ont utilis\u00e9 ces approches pour entra\u00eener un quadrip\u00e8de \u00e0 apprendre \u00e0 se d\u00e9placer dans un environnement ouvert (Coupling Vision and Proprioception for Navigation of Legged Robots, Fu et al<\/a>), cf sch\u00e9ma ci-dessous :[\/vc_column_text][divider line_type=”No Line” custom_height=”20″][image_with_animation image_url=”16235″ animation=”Fade In” hover_animation=”none” alignment=”” border_radius=”none” box_shadow=”none” image_loading=”default” max_width=”100%” max_width_mobile=”default”][vc_column_text]Si la robotique s\u2019est saisie de cette approche, les probl\u00e9matiques de d\u00e9tection et localisation d\u2019\u00e9l\u00e9ments, ou encore de d\u00e9tection d\u2019anomalie, peuvent aussi b\u00e9n\u00e9ficier de ces m\u00e9thodologies.<\/p>\n

    On pourrait m\u00eame argumenter qu\u2019on se rapproche du paradigme du Self Supervised Learning<\/a> qui, lui, vise \u00e0 entra\u00eener un mod\u00e8le sur une donn\u00e9e plus g\u00e9n\u00e9rale pour apprendre des repr\u00e9sentations bas niveau, pour ensuite le sp\u00e9cialiser sur un sujet.<\/p>\n

    Cette approche permettrait notamment de pouvoir tester plus largement un mod\u00e8le : d\u2019une part en visant dans la donn\u00e9e g\u00e9n\u00e9r\u00e9e des variances contr\u00f4l\u00e9es et en observant les r\u00e9sultats du mod\u00e8le ; et d\u2019autre part en maximisant la quantit\u00e9 de donn\u00e9e r\u00e9elle utilis\u00e9e en test, ce qui robustifie statistiquement les m\u00e9triques de r\u00e9sultat.<\/p>\n

    Alors, suffit-il pour un probl\u00e8me industriel de g\u00e9n\u00e9rer de la donn\u00e9e synth\u00e9tique pour surmonter les probl\u00e8mes ?<\/p>\n

    H\u00e9las, et sans surprise, non.[\/vc_column_text][divider line_type=”No Line”][\/vc_column][\/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” column_margin=”default” column_direction=”default” column_direction_tablet=”default” column_direction_phone=”default” scene_position=”center” text_color=”dark” text_align=”left” row_border_radius=”none” row_border_radius_applies=”bg” id=”les-approches-naives” overlay_strength=”0.3″ gradient_direction=”left_to_right” shape_divider_position=”bottom” bg_image_animation=”none” shape_type=””][vc_column column_padding=”no-extra-padding” column_padding_tablet=”inherit” column_padding_phone=”inherit” column_padding_position=”all” column_element_spacing=”default” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” column_link_target=”_self” gradient_direction=”left_to_right” overlay_strength=”0.3″ width=”1\/1″ tablet_width_inherit=”default” tablet_text_alignment=”default” phone_text_alignment=”default” bg_image_animation=”none” border_type=”simple” column_border_width=”none” column_border_style=”solid”][vc_column_text]\n

    Les approches na\u00efves sont vou\u00e9es \u00e0 l\u2019\u00e9chec<\/h3>\n[\/vc_column_text][divider line_type=”No Line”][vc_column_text]Nous l\u2019avons d\u00e9j\u00e0 observ\u00e9. Une donn\u00e9e, par exemple une image photo r\u00e9aliste, est g\u00e9n\u00e9r\u00e9e avec ses annotations. Un mod\u00e8le IA est entra\u00een\u00e9 sur cette donn\u00e9e de synth\u00e8se et semble fournir de bon scores.<\/p>\n

    Mais en application sur la donn\u00e9e r\u00e9elle, les r\u00e9sultats s\u2019effondrent dramatiquement.
    \nNous retrouvons le d\u00e9mon du Distribution Drift sp\u00e9cifique au Deep Learning\u2026 Un \u00e9l\u00e9ment d\u00e9terminant dans la recherche de solution, vient d\u2019un travail important r\u00e9alis\u00e9 en 2021 par     Baradad et al : Learning to See by Looking at Noise<\/a>.<\/p>\n

    Dans cette publication, les auteurs illustrent l\u2019intuition issue du Representation Learning<\/em> sur l\u2019apprentissage de repr\u00e9sentations hi\u00e9rarchiques de l\u2019information.
    \nIls illustrent le fait qu’il est possible de pr\u00e9-entra\u00eener un mod\u00e8le sur des images tr\u00e8s peu li\u00e9es au probl\u00e8me cible (ici, des images de bruit, ou des g\u00e9n\u00e9rations hors sujets), pour peu que ces images d\u2019entra\u00eenement puissent accompagner la cr\u00e9ation au sein du r\u00e9seau de neurones de repr\u00e9sentations fondamentales utiles.[\/vc_column_text][divider line_type=”No Line”][image_with_animation image_url=”16238″ animation=”Fade In” hover_animation=”none” alignment=”” border_radius=”none” box_shadow=”none” image_loading=”default” max_width=”100%” max_width_mobile=”default”][vc_column_text]L\u2019id\u00e9e fondatrice est la suivante : nous ne voulons pas une donn\u00e9e synth\u00e9tique qui simule le probl\u00e8me cible. Nous voulons une hi\u00e9rarchie de donn\u00e9es synth\u00e9tiques dans laquelle on pourra noyer le probl\u00e8me cible, qui deviendra alors un cas particulier de notre g\u00e9n\u00e9ration. Via une m\u00e9thodologie solide, nous pourrons it\u00e9rer sur des am\u00e9liorations concr\u00e8tes du mod\u00e8l[\/vc_column_text][divider line_type=”No Line”][\/vc_column][\/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” column_margin=”default” column_direction=”default” column_direction_tablet=”default” column_direction_phone=”default” scene_position=”center” text_color=”dark” text_align=”left” row_border_radius=”none” row_border_radius_applies=”bg” id=”une-methodologie-indispensable” overlay_strength=”0.3″ gradient_direction=”left_to_right” shape_divider_position=”bottom” bg_image_animation=”none” shape_type=””][vc_column column_padding=”no-extra-padding” column_padding_tablet=”inherit” column_padding_phone=”inherit” column_padding_position=”all” column_element_spacing=”default” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” column_link_target=”_self” gradient_direction=”left_to_right” overlay_strength=”0.3″ width=”1\/1″ tablet_width_inherit=”default” tablet_text_alignment=”default” phone_text_alignment=”default” bg_image_animation=”none” border_type=”simple” column_border_width=”none” column_border_style=”solid”][vc_column_text]\n

    Une m\u00e9thodologie indispensable<\/h3>\n[\/vc_column_text][divider line_type=”No Line”][vc_column_text]Comment mettre en \u0153uvre un tel projet ? La m\u00e9thodologie est, sans surprise, le nerf de la guerre si nous voulons garantir une am\u00e9lioration correcte du mod\u00e8le \u00e0 nos clients.<\/p>\n

    1. Comprendre la distribution<\/h4>\n

    Un dataset est fondamentalement un \u00e9chantillonnage qui repr\u00e9sente une distribution plus large, celle du probl\u00e8me que nous voulons adresser. Une distribution s\u2019analyse, se mesure, se cartographie via la donn\u00e9e disponible. Une analyse initiale de cette distribution, depuis la donn\u00e9e, confront\u00e9e \u00e0 une expertise m\u00e9tier du probl\u00e8me vis\u00e9, est \u00e9videmment indispensable \u00e0 toute action ult\u00e9rieure.<\/p>\n

    2. Noyer la distribution<\/h4>\n

    Partons d\u2019un constat d\u2019\u00e9chec : nous ne pourrons pas cr\u00e9er une donn\u00e9e totalement indissociable de la donn\u00e9e manquante, inutile donc de br\u00fbler des mois sur une recherche de perfection vou\u00e9e \u00e0 l\u2019\u00e9chec. Car m\u00eame si vous ne voyez pas de diff\u00e9rence visuellement entre votre donn\u00e9e synth\u00e9tique et votre donn\u00e9e r\u00e9elle, un mod\u00e8le Deep Learning pourra parfaitement utiliser des diff\u00e9rences \u00ab invisibles \u00bb li\u00e9es \u00e0 un mod\u00e8le de capteur, une forme de bruit li\u00e9 \u00e0 l\u2019optique, etc. Mieux vaut donc chercher \u00e0 noyer la distribution sur une approche hi\u00e9rarchique correctement cadr\u00e9e, dans la lign\u00e9e des travaux de Baradad et al.<\/p>\n

    3. Contr\u00f4ler la g\u00e9n\u00e9ration<\/h4>\n

    Une g\u00e9n\u00e9ration qui ne peut pas \u00eatre finement contr\u00f4l\u00e9e, a un int\u00e9r\u00eat plus que limit\u00e9. T\u00f4t ou tard, nous voudrons g\u00e9n\u00e9rer des cas pr\u00e9cis correspondant aux \u00ab trous \u00bb pr\u00e9sents dans la donn\u00e9e.
    \nHors, nous ne d\u00e9couvrirons ces cas particuliers qu\u2019en testant le mod\u00e8le contre de la donn\u00e9e r\u00e9elle ou synth\u00e9tique et en identifiant les variances o\u00f9 le mod\u00e8le est en d\u00e9faut.<\/p>\n

    Laissons donc de c\u00f4t\u00e9s les Generative Adversarial Networks ou VQ-Variational Autoencoders, au moins au d\u00e9but, pour pr\u00e9f\u00e9rer un syst\u00e8me d\u00e9terministique parfaitement ma\u00eetris\u00e9. Il sera toujours possible, dans un second temps, d\u2019utiliser ces outils avec parcimonie, par exemple pour faire du transfert de domaine, ou sur de la g\u00e9n\u00e9ration conditionn\u00e9e \u00e0 l\u2019image des r\u00e9cents mod\u00e8les de diffusion<\/p>\n

    4. Avoir une boussole<\/h4>\n

    Probablement le plus important. Personne ne veut attendre pendant des mois une donn\u00e9e synth\u00e9tique pour ensuite observer qu\u2019elle ne fait absolument pas progresser le mod\u00e8le. Nous cherchons avec nos clients \u00e0 d\u00e9terminer une \u00ab boussole \u00bb, autrement dit, un mod\u00e8le simple \u00e0 entra\u00eener li\u00e9 \u00e0 la donn\u00e9e cible sur lequel on peut observer une am\u00e9lioration. Cela permet d\u2019agir par it\u00e9rations et de v\u00e9rifier la bonne direction des travaux de synth\u00e8se.<\/p>\n

    5. Adapter les entra\u00eenements<\/h4>\n

    La donn\u00e9e synth\u00e9tique a un double but : pr\u00e9-entra\u00eener un mod\u00e8le, et compl\u00e9ter l\u2019apprentissage sur des cas particuliers. L\u2019entra\u00eenement du mod\u00e8le doit donc \u00eatre pond\u00e9r\u00e9 entre les diff\u00e9rentes donn\u00e9es selon l\u2019architecture de r\u00e9seau de neurones et l\u2019objectif vis\u00e9, afin d\u2019optimiser la qualit\u00e9 finale du mod\u00e8le.[\/vc_column_text][\/vc_column][\/vc_row][vc_row type=”in_container” full_screen_row_position=”middle” column_margin=”default” column_direction=”default” column_direction_tablet=”default” column_direction_phone=”default” scene_position=”center” text_color=”dark” text_align=”left” row_border_radius=”none” row_border_radius_applies=”bg” overlay_strength=”0.3″ gradient_direction=”left_to_right” shape_divider_position=”bottom” bg_image_animation=”none”][vc_column column_padding=”no-extra-padding” column_padding_tablet=”inherit” column_padding_phone=”inherit” column_padding_position=”all” column_element_spacing=”default” background_color_opacity=”1″ background_hover_color_opacity=”1″ column_shadow=”none” column_border_radius=”none” column_link_target=”_self” gradient_direction=”left_to_right” overlay_strength=”0.3″ width=”1\/1″ tablet_width_inherit=”default” tablet_text_alignment=”default” phone_text_alignment=”default” bg_image_animation=”none” border_type=”simple” column_border_width=”none” column_border_style=”solid”][vc_column_text]Aujourd’hui, trop de projets sont bloqu\u00e9s par le manque de donn\u00e9es. Quand bien m\u00eame un dataset suffisant aurait \u00e9t\u00e9 accumul\u00e9 pour entra\u00eener un premier mod\u00e8le, d\u00e8s lors que l’on veut it\u00e9rer pour am\u00e9liorer cet outil, nous avons besoin d’identifier des variances manquantes et de les adresser. Un outil de g\u00e9n\u00e9ration synth\u00e9tique permet ainsi d’am\u00e9liorer incr\u00e9mentalement un mod\u00e8le en am\u00e9liorant la donn\u00e9e d’entra\u00eenement, comme il permet de tester correctement un mod\u00e8le IA en questionnant chaque variance de la donn\u00e9e d’une mani\u00e8re isol\u00e9e.<\/p>\n

    Autrement dit, la donn\u00e9e synth\u00e9tique est aujourd’hui un excellent moyen d’aller au-del\u00e0 du POC et d’industrialiser sereinement ces nouveaux outils.<\/strong>[\/vc_column_text][divider line_type=”No Line”][vc_column_text]Article \u00e9crit par Eric Debeir<\/a>[\/vc_column_text][\/vc_column][\/vc_row]\n","protected":false},"excerpt":{"rendered":"

    [vc_row type=”in_container” full_screen_row_position=”middle” column_margin=”default” column_direction=”default” column_direction_tablet=”default” column_direction_phone=”default” scene_position=”center” text_color=”dark” text_align=”left” row_border_radius=”none” row_border_radius_applies=”bg” overlay_strength=”0.3″ gradient_direction=”left_to_right” shape_divider_position=”bottom”…<\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11,194],"tags":[133,139,127,135,137,131],"class_list":{"0":"post-16228","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-article","7":"category-ia-fr","8":"tag-data","9":"tag-developement","10":"tag-ia","11":"tag-intelligence-artificielle","12":"tag-logiciel","13":"tag-synthetic-data"},"yoast_head":"\nLa donn\u00e9e synth\u00e9tique (synthetic data) au centre de la strat\u00e9gie IA - Kickmaker<\/title>\n<meta name=\"description\" content=\"Quelles sont les diff\u00e9rentes approches pour appliquer les travaux d'intelligence artificielle \u00e0 l'industrie ? La synthetic data...\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.kickmaker.fr\/blog\/fr\/synthetic-data\/\" \/>\n<meta property=\"og:locale\" content=\"en_US\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"La donn\u00e9e synth\u00e9tique (synthetic data) au centre de la strat\u00e9gie IA - Kickmaker\" \/>\n<meta property=\"og:description\" content=\"Quelles sont les diff\u00e9rentes approches pour appliquer les travaux d'intelligence artificielle \u00e0 l'industrie ? La synthetic data...\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.kickmaker.fr\/blog\/fr\/synthetic-data\/\" \/>\n<meta property=\"og:site_name\" content=\"Kickmaker\" \/>\n<meta property=\"article:published_time\" content=\"2023-06-12T07:56:40+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2024-03-22T08:50:28+00:00\" \/>\n<meta name=\"author\" content=\"Alys\u00e9e Flaut\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Alys\u00e9e Flaut\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"10 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/fr\\\/synthetic-data\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/fr\\\/synthetic-data\\\/\"},\"author\":{\"name\":\"Alys\u00e9e Flaut\",\"@id\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/#\\\/schema\\\/person\\\/04615529c56f5e2bbf8802761d9a884e\"},\"headline\":\"La donn\u00e9e synth\u00e9tique (synthetic data) au centre de la strat\u00e9gie IA\",\"datePublished\":\"2023-06-12T07:56:40+00:00\",\"dateModified\":\"2024-03-22T08:50:28+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/fr\\\/synthetic-data\\\/\"},\"wordCount\":3314,\"commentCount\":0,\"keywords\":[\"data\",\"developement\",\"IA\",\"intelligence artificielle\",\"logiciel\",\"synthetic data\"],\"articleSection\":[\"Article\",\"IA\"],\"inLanguage\":\"en-US\"},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/fr\\\/synthetic-data\\\/\",\"url\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/fr\\\/synthetic-data\\\/\",\"name\":\"La donn\u00e9e synth\u00e9tique (synthetic data) au centre de la strat\u00e9gie IA - Kickmaker\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/#website\"},\"datePublished\":\"2023-06-12T07:56:40+00:00\",\"dateModified\":\"2024-03-22T08:50:28+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/#\\\/schema\\\/person\\\/04615529c56f5e2bbf8802761d9a884e\"},\"description\":\"Quelles sont les diff\u00e9rentes approches pour appliquer les travaux d'intelligence artificielle \u00e0 l'industrie ? La synthetic data...\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/fr\\\/synthetic-data\\\/#breadcrumb\"},\"inLanguage\":\"en-US\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/fr\\\/synthetic-data\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/fr\\\/synthetic-data\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"La donn\u00e9e synth\u00e9tique (synthetic data) au centre de la strat\u00e9gie IA\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/#website\",\"url\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/\",\"name\":\"Kickmaker\",\"description\":\"Hightech product industrialization brain food\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"en-US\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/#\\\/schema\\\/person\\\/04615529c56f5e2bbf8802761d9a884e\",\"name\":\"Alys\u00e9e Flaut\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"en-US\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/aaa717f85056a19d443e6750dfad64414b9a59742ead9e7e378f13cb07bb453d?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/aaa717f85056a19d443e6750dfad64414b9a59742ead9e7e378f13cb07bb453d?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/aaa717f85056a19d443e6750dfad64414b9a59742ead9e7e378f13cb07bb453d?s=96&d=mm&r=g\",\"caption\":\"Alys\u00e9e Flaut\"},\"url\":\"https:\\\/\\\/www.kickmaker.fr\\\/blog\\\/author\\\/alysee\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"La donn\u00e9e synth\u00e9tique (synthetic data) au centre de la strat\u00e9gie IA - Kickmaker","description":"Quelles sont les diff\u00e9rentes approches pour appliquer les travaux d'intelligence artificielle \u00e0 l'industrie ? La synthetic data...","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.kickmaker.fr\/blog\/fr\/synthetic-data\/","og_locale":"en_US","og_type":"article","og_title":"La donn\u00e9e synth\u00e9tique (synthetic data) au centre de la strat\u00e9gie IA - Kickmaker","og_description":"Quelles sont les diff\u00e9rentes approches pour appliquer les travaux d'intelligence artificielle \u00e0 l'industrie ? La synthetic data...","og_url":"https:\/\/www.kickmaker.fr\/blog\/fr\/synthetic-data\/","og_site_name":"Kickmaker","article_published_time":"2023-06-12T07:56:40+00:00","article_modified_time":"2024-03-22T08:50:28+00:00","author":"Alys\u00e9e Flaut","twitter_card":"summary_large_image","twitter_misc":{"Written by":"Alys\u00e9e Flaut","Est. reading time":"10 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/www.kickmaker.fr\/blog\/fr\/synthetic-data\/#article","isPartOf":{"@id":"https:\/\/www.kickmaker.fr\/blog\/fr\/synthetic-data\/"},"author":{"name":"Alys\u00e9e Flaut","@id":"https:\/\/www.kickmaker.fr\/blog\/#\/schema\/person\/04615529c56f5e2bbf8802761d9a884e"},"headline":"La donn\u00e9e synth\u00e9tique (synthetic data) au centre de la strat\u00e9gie IA","datePublished":"2023-06-12T07:56:40+00:00","dateModified":"2024-03-22T08:50:28+00:00","mainEntityOfPage":{"@id":"https:\/\/www.kickmaker.fr\/blog\/fr\/synthetic-data\/"},"wordCount":3314,"commentCount":0,"keywords":["data","developement","IA","intelligence artificielle","logiciel","synthetic data"],"articleSection":["Article","IA"],"inLanguage":"en-US"},{"@type":"WebPage","@id":"https:\/\/www.kickmaker.fr\/blog\/fr\/synthetic-data\/","url":"https:\/\/www.kickmaker.fr\/blog\/fr\/synthetic-data\/","name":"La donn\u00e9e synth\u00e9tique (synthetic data) au centre de la strat\u00e9gie IA - Kickmaker","isPartOf":{"@id":"https:\/\/www.kickmaker.fr\/blog\/#website"},"datePublished":"2023-06-12T07:56:40+00:00","dateModified":"2024-03-22T08:50:28+00:00","author":{"@id":"https:\/\/www.kickmaker.fr\/blog\/#\/schema\/person\/04615529c56f5e2bbf8802761d9a884e"},"description":"Quelles sont les diff\u00e9rentes approches pour appliquer les travaux d'intelligence artificielle \u00e0 l'industrie ? La synthetic data...","breadcrumb":{"@id":"https:\/\/www.kickmaker.fr\/blog\/fr\/synthetic-data\/#breadcrumb"},"inLanguage":"en-US","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.kickmaker.fr\/blog\/fr\/synthetic-data\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/www.kickmaker.fr\/blog\/fr\/synthetic-data\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/www.kickmaker.fr\/blog\/"},{"@type":"ListItem","position":2,"name":"La donn\u00e9e synth\u00e9tique (synthetic data) au centre de la strat\u00e9gie IA"}]},{"@type":"WebSite","@id":"https:\/\/www.kickmaker.fr\/blog\/#website","url":"https:\/\/www.kickmaker.fr\/blog\/","name":"Kickmaker","description":"Hightech product industrialization brain food","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.kickmaker.fr\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"en-US"},{"@type":"Person","@id":"https:\/\/www.kickmaker.fr\/blog\/#\/schema\/person\/04615529c56f5e2bbf8802761d9a884e","name":"Alys\u00e9e Flaut","image":{"@type":"ImageObject","inLanguage":"en-US","@id":"https:\/\/secure.gravatar.com\/avatar\/aaa717f85056a19d443e6750dfad64414b9a59742ead9e7e378f13cb07bb453d?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/aaa717f85056a19d443e6750dfad64414b9a59742ead9e7e378f13cb07bb453d?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/aaa717f85056a19d443e6750dfad64414b9a59742ead9e7e378f13cb07bb453d?s=96&d=mm&r=g","caption":"Alys\u00e9e Flaut"},"url":"https:\/\/www.kickmaker.fr\/blog\/author\/alysee\/"}]}},"_links":{"self":[{"href":"https:\/\/www.kickmaker.fr\/blog\/wp-json\/wp\/v2\/posts\/16228","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.kickmaker.fr\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.kickmaker.fr\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.kickmaker.fr\/blog\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.kickmaker.fr\/blog\/wp-json\/wp\/v2\/comments?post=16228"}],"version-history":[{"count":36,"href":"https:\/\/www.kickmaker.fr\/blog\/wp-json\/wp\/v2\/posts\/16228\/revisions"}],"predecessor-version":[{"id":16313,"href":"https:\/\/www.kickmaker.fr\/blog\/wp-json\/wp\/v2\/posts\/16228\/revisions\/16313"}],"wp:attachment":[{"href":"https:\/\/www.kickmaker.fr\/blog\/wp-json\/wp\/v2\/media?parent=16228"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.kickmaker.fr\/blog\/wp-json\/wp\/v2\/categories?post=16228"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.kickmaker.fr\/blog\/wp-json\/wp\/v2\/tags?post=16228"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}