Comment cadrez-vous un problème de machine learning ?

La réponse courte

Vous ne commencez pas par le modèle. Vous commencez par une décision que quelqu’un prendra autrement si la prédiction existe. Tant que cette phrase n’est pas écrite, vous n’avez pas un problème de machine learning : vous avez une envie de tableau de bord, ou une demande floue.

Le cadrage tient en cinq questions, dans cet ordre. L’algorithme n’apparaît nulle part.

1. Quelle décision ? Accepter, relancer, prioriser, allouer, alerter. Un verbe. Si le commanditaire répond « avoir un score », vous redemandez pour faire quoi.
2. À quel instant, sur quelle unité ? Un dossier à l’ouverture, un client chaque lundi, une transaction à l’autorisation. Le grain fixe les exemples ; l’instant fixe ce qu’on a le droit de savoir.
3. Quelle action change ? Qui fait quoi différemment, avec quel seuil de courage. Sans destinataire nommé, le projet n’a pas d’objet.
4. Comment saurez-vous que c’est mieux ? Un indicateur que le métier suit déjà — euros, délais, incidents — pas uniquement un score d’école.
5. Que se passe-t-il si le modèle a tort ? Le coût d’une erreur dans chaque sens. C’est ce qui décide plus tard de la métrique, pas l’inverse.

Ce que l’intervieweur vérifie

Que vous savez refuser de modéliser trop tôt. Un candidat qui sort XGBoost à la première minute a déjà perdu la question. Un candidat qui reformule la demande en décision, grain, action, mesure, risque a déjà le niveau.

Le piège classique : confondre prédire et expliquer. « Pourquoi les clients partent » est une question d’analyse. « Quels clients relancer la semaine prochaine » est une question d’apprentissage. Les deux se valent ; elles ne se cadrent pas pareil, et elles ne se livrent pas pareil.

La relance probable

« Le métier veut juste un modèle de churn. »

Vous traduisez. Churn pour une campagne de rétention à J-30, sur les contrats encore actifs, avec un budget de N appels, et un succès mesuré au taux de conservation à 90 jours. Si cette traduction est impossible, le sujet n’est pas mûr.

« On n’a pas encore les données. »

C’est une information de cadrage, pas un obstacle à ignorer. Vous posez ce qui devrait exister pour que la décision soit possible : la cible, sa date de constat, les variables disponibles à l’instant de prédire. Souvent, le cadrage révèle qu’il manque l’étiquette, pas l’algorithme.

La phrase qui montre l’expérience : un projet ML bien cadré a l’air d’un projet métier avec une prédiction dedans, pas d’un concours de scores.