Pour les praticiens de l'apprentissage automatique (ML), l'attente naturelle est qu'un nouveau modèle ML qui montre des résultats prometteurs hors ligne réussira également en production. Mais souvent, ce n'est pas le cas. Les modèles ML qui obtiennent de meilleurs résultats sur les données de test peuvent sous-performer pour les utilisateurs réels en production. Cette discordance entre les métriques hors ligne et en ligne constitue souvent un grand défi dans l'application de [...]