L'auteur a mis en œuvre une couche AutoML pour une flotte d'agents IA, permettant un routage efficace uniquement des agents nécessaires pour des profils clients spécifiques, augmentant ainsi le débit sans frais supplémentaires. Cette méthode simple et transférable met en évidence la rentabilité de l'optimisation de l'IA en dehors des cercles universitaires.
Le prototype logiciel `FairMind` automatise l'analyse de l'équité causale au niveau de l'ensemble de données, comblant le manque de considération d'équité dans la plupart des frameworks AutoML. Il utilise le modèle d'équité standard et les LLM pour générer des rapports précis sur l'équité basés sur des effets causaux contrefactuels.
Cette étude présente yvsoucom-iterkit, un framework AutoML déterministe et basé sur les logs pour l'optimisation de pipelines interprétables en prédiction de risque de santé. Il permet une analyse reproductible des composants du pipeline, montrant que la performance est déterminée par un petit sous-ensemble d'éléments interactifs comme l'augmentation, le choix du modèle et la gestion du déséquilibre.