Kaggle a transformé les problèmes d'apprentissage automatique en compétitions publiques

Les entreprises accumulent des données qu'elles veulent valoriser, mais les data scientists sont rares et les organisations peinent à recruter des talents. Kaggle.com offre une alternative : les entreprises organisent des compétitions d'apprentissage automatique et les participants construisent des modèles de prédiction pour des prix.

Une étude HICSS de 2020 a utilisé dix entretiens d'experts ainsi que des données collectées par crawling sur Kaggle pour comprendre comment les organisations utilisent les compétitions. Elle a constaté de réels bénéfices — échanger avec les participants et découvrir des approches de pointe — mais a noté que les compétitions ne peuvent couvrir qu'une fraction des tâches d'un projet de science des données typique.

L'étude a identifié 12 facteurs répartis en trois catégories qui influencent le succès perçu par une organisation lorsqu'elle organise une compétition de science des données, fournissant un cadre pour déterminer quand le crowdsourcing surpasse le recrutement.

Externaliser le modèle via une compétition

La foule est bien plus vaste et diversifiée que n'importe quelle équipe interne.

Une métrique d'évaluation claire permet aux organisations de comparer les modèles objectivement.

Les compétitions exposent les équipes internes à des approches de pointe.

Organiser une compétition coûte un prix, pas des salaires et des effectifs.

Si l'expertise est rare et coûteuse, achetez des solutions plutôt que des effectifs : une compétition bien cadrée avec une métrique claire permet à la foule de faire le travail et forme votre équipe au passage.

Kaggle est devenu le marché de référence pour les compétitions de science des données, utilisé par des entreprises et des chercheurs du monde entier pour sourcer des modèles, comparer des approches et recruter des talents, avant d'être racheté par Google en 2017.