Lors de mon premier passage sur le Model Hub d’OpenGradient, je me suis dit que choisir un modèle était plutôt simple.
Il suffit de trouver le modèle adapté à votre cas d’usage.
Mais plus je regardais, plus je constatais que ce critère ne fait que retirer les modèles manifestement inadaptés.
La difficulté réside dans les modèles qui restent.
Chaque modèle semble exceller sur une variable différente.
Celui-ci est plus performant en termes de capacité.
Celui-là a une latence plus faible.
Un autre produit des sorties plus stables.
Aucun modèle ne gagne sur tous les plans.
C’est à ce moment-là que les compromis commencent à apparaître.
Vous voulez plus de capacité ?
Vous devrez peut-être accepter une latence plus élevée.
Vous voulez une sortie plus stable ?
Vous devrez peut-être sacrifier de la flexibilité.
Vous voulez des réponses plus rapides ?
Vous devrez peut-être accepter un modèle moins performant.
Au départ, je pensais être en train de choisir entre des modèles.
Mais plus je regardais, plus je voyais que j’essayais en réalité d’équilibrer plusieurs variables à la fois.
Et c’est là que réside le plus grand défi.
Car, dans la réalité, il est très rare qu’un workflow n’ait besoin d’optimiser qu’une seule chose.
La capacité est importante.
La latence l’est aussi.
La stabilité également.
Le problème n’est pas de choisir une variable et d’en écarter les autres.
Le problème est de trouver le bon équilibre entre elles.
C’est à ce moment-là que j’ai compris que ce qu’il fallait comprendre en premier, ce n’était pas le modèle.
C’était mon besoin.
Ce workflow nécessite-t-il quoi, exactement ?
Quelle est la limite acceptable ?
Quels compromis ne sont pas acceptables ?
Ainsi, la vraie valeur du Model Hub ne réside pas dans le nombre de modèles.
Elle réside dans le fait qu’il oblige les utilisateurs à reconnaître et analyser plus clairement leurs propres besoins.
Car lorsqu’on a des milliers d’options, la question n’est plus :
« Quel est le meilleur modèle ? »
Mais plutôt :
« Comment trouver un équilibre qui correspond à ce workflow ? »
$LAB $OPG #opg @OpenGradient
Il suffit de trouver le modèle adapté à votre cas d’usage.
Mais plus je regardais, plus je constatais que ce critère ne fait que retirer les modèles manifestement inadaptés.
La difficulté réside dans les modèles qui restent.
Chaque modèle semble exceller sur une variable différente.
Celui-ci est plus performant en termes de capacité.
Celui-là a une latence plus faible.
Un autre produit des sorties plus stables.
Aucun modèle ne gagne sur tous les plans.
C’est à ce moment-là que les compromis commencent à apparaître.
Vous voulez plus de capacité ?
Vous devrez peut-être accepter une latence plus élevée.
Vous voulez une sortie plus stable ?
Vous devrez peut-être sacrifier de la flexibilité.
Vous voulez des réponses plus rapides ?
Vous devrez peut-être accepter un modèle moins performant.
Au départ, je pensais être en train de choisir entre des modèles.
Mais plus je regardais, plus je voyais que j’essayais en réalité d’équilibrer plusieurs variables à la fois.
Et c’est là que réside le plus grand défi.
Car, dans la réalité, il est très rare qu’un workflow n’ait besoin d’optimiser qu’une seule chose.
La capacité est importante.
La latence l’est aussi.
La stabilité également.
Le problème n’est pas de choisir une variable et d’en écarter les autres.
Le problème est de trouver le bon équilibre entre elles.
C’est à ce moment-là que j’ai compris que ce qu’il fallait comprendre en premier, ce n’était pas le modèle.
C’était mon besoin.
Ce workflow nécessite-t-il quoi, exactement ?
Quelle est la limite acceptable ?
Quels compromis ne sont pas acceptables ?
Ainsi, la vraie valeur du Model Hub ne réside pas dans le nombre de modèles.
Elle réside dans le fait qu’il oblige les utilisateurs à reconnaître et analyser plus clairement leurs propres besoins.
Car lorsqu’on a des milliers d’options, la question n’est plus :
« Quel est le meilleur modèle ? »
Mais plutôt :
« Comment trouver un équilibre qui correspond à ce workflow ? »
$LAB $OPG #opg @OpenGradient