Dans le pipeline de production, nous voulons que nos applications d'apprentissage automatique donnent de bons résultats sur des données inédites. Les performances d'une application d'apprentissage automatique sur des données d'entraînement n'ont pas vraiment d'importance si elle ne peut pas fournir des résultats précis sur des données de test. Pour atteindre cet objectif, nous utilisons des techniques de régularisation pour modérer l'apprentissage afin qu'un modèle puisse apprendre au lieu de mémoriser les données d'entraînement.