Une partie prenante demande un modèle de machine learning, mais vous pensez qu'une règle simple ferait l'affaire. Comment gérez-vous cela ?

Mettez-vous d'abord d'accord sur la décision et l'indicateur de succès, puis proposez la règle comme une base que le modèle devra battre. Construisez l'heuristique en un ou deux jours, mesurez-la, et montrez le chiffre. Si un modèle la bat suffisamment pour justifier la maintenance, construisez le modèle ; sinon, vous avez livré de la valeur en une semaine et gardé l'option ouverte.

Je ne discuterais pas de savoir si ça nécessite du machine learning, parce que c'est une dispute de goût. Je demanderais quelle décision ça pilote et comment on saurait que ça a marché. Puis je dirais : faisons de la règle notre base de référence. Donnez-moi deux jours, je construis l'heuristique, on la mesure sur le même indicateur, et si un modèle la bat assez pour en valoir la peine, je construis le modèle avec plaisir. Cela transforme un moi qui dis non en un nous qui menons un test. J'ai fait exactement ça sur une demande de scoring de leads. La règle tenait en trois conditions sur la taille de l'entreprise, les visites de pages et les demandes de démo. Elle captait l'essentiel du gain atteignable, et la version en gradient boosting que j'ai construite ensuite ajoutait quelques points de précision. L'équipe a mis ça en balance avec le coût d'un pipeline de réentraînement, de la supervision et de quelqu'un qui en soit propriétaire, et a choisi la règle pour un an. C'est parti en production en une semaine au lieu d'un trimestre. Je souligne aussi qu'un modèle est un engagement permanent : il dérive, il demande de la supervision, quelqu'un se fait réveiller la nuit. Une règle, non.