Beaucoup de débutants passent trois semaines à chercher le projet parfait pour se lancer, comparent des dizaines d’idées trouvées en ligne, et finissent par n’en commencer aucune. Ce blocage n’a rien à voir avec le manque de compétences techniques. Il vient d’un mauvais critère de sélection.
Le mauvais critère : l’originalité
Un projet original, jamais fait par personne, semble plus valorisant sur un CV. C’est aussi le projet le plus difficile à mener à terme, parce que vous ne trouverez aucun exemple pour vous débloquer quand vous serez coincé, et vous serez coincé. Un débutant sur un projet inédit passe le plus clair de son temps à chercher pourquoi rien ne fonctionne, sans savoir si le problème vient de son code, de ses données ou de la nature même du problème.
Le bon critère : la vérifiabilité
Choisissez un projet où vous pouvez savoir, à tout moment, si vous êtes sur la bonne voie. Un classifieur d’images de chats et de chiens sonne banal, mais vous savez immédiatement si votre modèle fonctionne : vous regardez l’image, vous connaissez la bonne réponse, vous comparez. Cette vérifiabilité immédiate est ce qui vous permet d’apprendre vite, parce que chaque erreur devient visible et compréhensible au lieu de rester une énigme.
Un projet vérifiable vous permet aussi de comparer vos résultats à ceux d’autres personnes qui ont fait le même projet. Si votre modèle obtient 60 % de précision sur un problème où tout le monde obtient 95 %, vous savez que quelque chose cloche dans votre approche. Sur un projet original, vous n’avez aucun point de comparaison, donc aucun signal.
Trois catégories qui remplissent ce critère
La classification d’images sur un jeu de données déjà nettoyé et documenté. Le jeu de données ne demande aucun travail de collecte, la tâche est bien définie, des milliers de personnes ont déjà publié leur approche et leurs résultats.
La génération de texte sur une tâche bornée, comme résumer des articles courts ou classer des avis clients par sentiment. La sortie reste facile à juger à l’œil, contrairement à un projet qui demanderait de générer un roman entier.
L’automatisation d’une tâche répétitive que vous faites déjà à la main dans votre travail actuel. Vous connaissez le résultat attendu mieux que quiconque, puisque vous le produisez vous-même chaque semaine, ce qui rend l’évaluation du modèle immédiate et personnelle.
Ce qui se passe une fois le premier projet terminé
Le premier projet vérifiable vous enseigne le cycle complet : préparer les données, entraîner, évaluer, corriger, recommencer. Ce cycle ne change pas beaucoup d’un projet à l’autre, seule la complexité du problème augmente. Une fois ce cycle acquis sur un cas simple, l’aborder sur un cas plus ambitieux devient une question de patience, pas de compétence manquante.
L’originalité viendra plus tard, quand vous saurez reconnaître vous-même si votre approche fonctionne sans avoir besoin d’un jeu de données de référence pour vous rassurer. Avant ce stade, chercher l’originalité ne fait que retarder le moment où vous apprenez réellement.
