Une \u00e9quipe de scientifiques de data, d'ing\u00e9nieurs ML et d'ing\u00e9nieurs data du bureau parisien de Artefact a remport\u00e9 la deuxi\u00e8me place lors du Hackathon organis\u00e9 par Flyte<\/a> et MLOps.community<\/a>, Il s'agit d'une r\u00e9ussite exceptionnelle au sein de l'Union europ\u00e9enne. MLOps<\/a> Domaine de l'expertise communautaire :<\/p>\n<\/div> Le hackathon virtuel de cinq semaines consistait \u00e0 cr\u00e9er une application ML de bout en bout sur Flyte en tant que plateforme MLOps. L'objectif \u00e9tant d'ajouter une valeur r\u00e9elle \u00e0 la production, l'id\u00e9e du projet pouvait \u00eatre bas\u00e9e sur n'importe quelle application ML (machine learning) ou Data, comme les cas d'utilisation dans le commerce de d\u00e9tail, la protection contre la fraude ou la vision par ordinateur. Tous les projets ont \u00e9t\u00e9 jug\u00e9s sur la base de la cr\u00e9ativit\u00e9, de la qualit\u00e9 de l'ex\u00e9cution de l'application par l'\u00e9quipe et de la facilit\u00e9 de compr\u00e9hension du mod\u00e8le UI (interface utilisateur).<\/p>\n L'\u00e9quipe exp\u00e9riment\u00e9e de Artefact, compos\u00e9e de Amale El Harmri, scientifique senior de Data et ing\u00e9nieur ML, Louis Rousselot de Saint Ceran, scientifique senior de Data, Karim Si Larbi, scientifique senior de Data, Hugo Vasselin, et Sascha Lasry, scientifique de Data, a travaill\u00e9 sur ce Hackathon en plus de sa charge de travail interne et pour le compte de ses clients. Pendant la comp\u00e9tition, l'\u00e9quipe avait pour nom \u201cadorable-unicorns23\u201d.\u201d<\/p>\n<\/div> Reconnaissant que l'industrie de la beaut\u00e9 et des cosm\u00e9tiques est en constante \u00e9volution, l'\u00e9quipe s'est concentr\u00e9e sur une strat\u00e9gie possible pour trouver des marques ind\u00e9pendantes qui sont innovantes et populaires aupr\u00e8s du public et les racheter. L'\u00e9quipe a donc construit un module d'identification des marques sur les flux Twitter data qui comprenait une interface d'\u00e9tiquetage au vol.<\/p>\n Pour mener \u00e0 bien le projet, l'\u00e9quipe a divis\u00e9 le processus en trois sections :<\/p>\n<\/div> Flux de travail pour la formation NER :<\/b> \u00e9valuer le mod\u00e8le NER sur la base de l'\u00e9tiquetage afin de terminer le flux de travail en cas de succ\u00e8s ou d'entra\u00eener un nouveau mod\u00e8le avec le data fra\u00eechement \u00e9tiquet\u00e9 en cas d'\u00e9chec.<\/p>\n<\/div><\/li><\/ul> Pour voir la pr\u00e9sentation compl\u00e8te en ligne du projet de Artefact au jury de la communaut\u00e9 MLOps dans le cadre de MLOps #98, suivez le lien. ici<\/a> et passez \u00e0 l'heure 41:22.<\/p>\n<\/div>