Vous évaluerez la qualité des résultats du modèle à l'aide de mesures automatisées et d'un examen humain structuré. Vous comparerez les résultats quantitatifs avec le retour d'information qualitatif afin d'identifier les écarts de performance et d'affiner les résultats

Vous appliquerez des techniques de tokenisation, d'incorporation et d'encodage pour construire des pipelines de traitement du langage naturel basés sur des transformateurs. Vous convertirez le texte brut en représentations codées adaptées aux tâches en aval telles que la classification ou le résumé.

Vous évaluerez la qualité des résultats des modèles à l'aide de mesures automatisées telles que ROUGE et de cadres d'évaluation humaine structurés. Vous interpréterez les résultats pour évaluer la fiabilité, la sécurité et l'alignement sur les objectifs de la tâche.

Vous appliquerez les outils TensorFlow 2.x pour construire un flux de travail d'apprentissage automatique de bout en bout en utilisant les pipelines tf.data et les modèles Keras. Vous structurerez l'ingestion des données, la définition des modèles, l'entraînement et le point de contrôle dans un système reproductible.

Vous créerez des déploiements de modèles d'apprentissage automatique optimisés à l'aide de TensorFlow Lite. Vous évaluerez la latence de l'inférence, appliquerez des techniques de quantification et améliorerez les performances pour les environnements mobiles et périphériques.

Dans ce projet, vous concevrez et évaluerez deux pipelines d'apprentissage automatique de type production pour un scénario d'intelligence du risque dans les services financiers : Un pipeline de vision par ordinateur qui convertit un ensemble de données d'images multi-classes en une tâche de classification binaire des risques. Un pipeline NLP basé sur un transformateur qui classe le texte des plaintes des clients dans des catégories à faible risque ou à risque élevé. Vous mettrez en œuvre les deux flux de travail en utilisant TensorFlow et des bibliothèques de transformateurs, évaluerez les performances en utilisant des métriques de classification appropriées, effectuerez une analyse structurée des erreurs et appliquerez au moins une optimisation pour améliorer les performances du flux de travail. Le résultat final est un script Python prêt à l'emploi et une analyse structurée démontrant votre capacité à concevoir, évaluer et affiner des flux de travail d'IA dans un cadre professionnel.