Faites correspondre les erreurs de ML à leurs types

Il est essentiel de repérer les situations où l’équipe Machine Learning est trop focalisée sur la méthode ou simplement enthousiaste à propos de la science derrière le projet, alors que le cas d’usage n’est pas solide, ou que l’entreprise n’est pas prête à exploiter les résultats du modèle de ML. Ci-dessous, vous verrez quelques situations ; à vous d’identifier à quel type d’erreur de ML elles appartiennent.