Was ist Joint Learning

Définition

Le Joint Learning (apprentissage conjoint) est une approche d'entraînement en Machine Learning où un modèle unique est entraîné à résoudre simultanément plusieurs tâches connexes. Les tâches partagent alors des représentations neuronales communes afin d'exploiter les synergies d'apprentissage.

Explication

Dans le contexte B2B et SaaS, le Joint Learning est fréquemment utilisé pour accroître l'efficacité des modèles prédictifs et optimiser l'utilisation des ressources. Plutôt que d'entraîner et d'opérer un modèle distinct et isolé pour chaque tâche d'analyse, un système unique apprend, par exemple, à prédire simultanément la probabilité d'achat d'un client et son risque de désabonnement (churn). Grâce à l'échange d'informations entre les tâches, la capacité de généralisation du modèle s'améliore, car il apprend des schémas utiles aux deux tâches. Cela se traduit par une qualité de prédiction plus stable, notamment pour les jeux de données présentant un faible volume d'échantillons pour certaines variables cibles. De plus, cette approche réduit considérablement les coûts d'infrastructure pour les entreprises, car moins de pipelines de Machine Learning distincts doivent être maintenus.