Le pipeline d'un projet IA de bout en bout

Les six étapes

1. Formuler : quelle entrée x, quelle sortie y, quelle décision prise avec la prédiction.
2. Collecter et comprendre les données : provenance, unités, manquants, biais de collecte.
3. Préparer : nettoyer, encoder, mettre à l'échelle sans apprendre sur les données réservées.
4. Modéliser : baseline simple d'abord, puis modèle plus riche, réglages choisis sur validation.
5. Évaluer : mesure finale une seule fois sur test, avec incertitude et limites.
6. Suivre : versions, graines, dérive des données, qui examine les erreurs.

Pourquoi cet ordre

Chaque étape conditionne la suivante. Une fuite de données (étape 3 qui voit le test) invalide les étapes 4 et 5. Un modèle sans baseline ne dit rien : 90 % juste est nul si la moyenne fait 91 %.

Votre fil rouge

À partir du chapitre 11, un jeu de colis synthétique versionné servira de fil rouge. Vous le nettoierez, puis poserez deux questions distinctes : prévoir un prix et prévoir un retard. Les mêmes clients resteront groupés lors du découpage ; la colonne delai_jours, connue après livraison, ne pourra jamais servir à prévoir retard. Vous verrez ainsi comment une décision sur les données traverse tout le pipeline.

Pour chaque projet du cursus, rendez la même fiche : question, tableau observations/caractéristiques/cible, recette des données, protocole, baseline, résultats avec unités et limites. Le tronc commun se termine aux projets du chapitre 26 ; les thèmes suivants sont optionnels.