Une technologie qui s’appuie sur le Big Data
Le « machine learning » se nourrit de la puissance des données pour exploiter les statistiques dans le but d’offrir des résultats pertinents.
Les algorithmes sont au cœur de la machine et le principe vise à lui faire apprendre et évoluer grâce aux données qu’elle reçoit.
Ainsi l’apprentissage statistique est une forme d’intelligence artificielle.
3 cas d’usage pour bien comprendre le fonctionnement du Machine Learning
Cas numéro 1 : le eCommerce
Dans le eCommerce, le machine Learning peut utiliser les données présentes dans ses bases pour recommander des produits.
En comparant les attitudes des consommateurs qui achètent un produit x ou y. Il est possible grâce au volume de déterminer que dans un cas de figure précis ce nouveau consommateur sera intéressé par tel ou tel produit complémentaire :
C’est ce que l’on appelle la recommandation automatique.
L’apprentissage statistique où l’art d’utiliser les données pour offrir un service intelligent ne s’arrête pas à recommander un produit par un achat précédent. Mais combine grâce au volume une multitude de paramètres complémentaire pour affiner et offrir une pertinence à toute épreuve.
Cas numéro 2 : Application bancaire
Les algorithmes utilisés dans les systèmes de contrôles bancaires sont particulièrement puissants.
Ils déterminent par exemple si un client est considéré comme étant « à risque » en consultant ses habitudes bancaires avec des millions de données.
L’utilisateur est donc mis en comparaison avec d’autres profils similaires qui ont obtenu un prêt pour prendre la bonne décision.
Un banquier par contre devra utiliser son jugement personnel et quelques documents seulement pour accorder ou non le prêt bancaire au client. La force de la machine de la banque réside donc dans sa capacité d’effectuer des milliers d’opérations combinées et statistiques pour garantir une solvabilité presque parfaite sur le profil testé.
Cas numéro 3 : Assurance médicale
Le principe des assurances est relativement simple : il est question de faire cotiser un nombre important d’assurés pour garantir suffisamment de fond dans le but d’indemniser les clients qui sont victimes d’un sinistre tout en dégageant des bénéfices.
Mais la où le machine learning devient intéressant pour l’assurance c’est dans sa capacité à identifier les personnes susceptibles d’être victime ou non de ce sinistre.
En utilisant un nombre incalculable de paramètres et parfois même en utilisant des éléments incohérents vis-à-vis du domaine de compétence, les algorithmes sont en mesure d’identifier et de calculer les risques pour proposer ou non un service d’assurance à un client.
En comparant rapidement l’ensemble des profils des personnes ayant eu un incident + leurs préférences alimentaires ou même leurs profils démographiques,
les machines de calcul et leurs programmes sont capables, de manière bien plus efficace qu’un humain d’étudier les risques.
La nécessité de rassembler une grande quantité de données
Afin de faire fonctionner la machine, il est nécessaire de lui fournir un grand nombre de données. Pour lui permettre de faire des prédictions plus ou moins efficaces.
L’outil demande un travail préalable de constitution de données pertinente pour la future analyse qu’elle sera amenée à faire.
Il faut nourrir la machine de données et de cas de figure pour lui offrir la possibilité de modéliser et d’affiner sa pertinence.
Avoir une parfaite connaissance du métier est donc primordial pour apprendre aux algorithmes la manière de fonctionner.
L’humain est donc toujours aux commandes et implémente des méthodes et des règles pour définir le champ d’action de la machine.
Une fois modéliser, la machine adapte ses analyses et ses comportements en se fondant sur l’analyse des données empiriques.
Une possibilité d’apprendre de manière plus ou moins autonome
Bien que les progrès dans l’intelligence artificielle soient épatants,
Les technologies d’apprentissage statistique ne sont pas encore capables de travailler de manière 100 % autonome. Et sans nécessiter des interventions humaines.
C’est un peu comme un enfant qui a des compétences. Mais qui n’est pas encore en mesure de prendre en charge une problématique complexe à 100 % sans l’aide d’un adulte.
Pour faire simple, la machine n’est pas encore capable de résoudre un problème de manière autonome. Sans que l’on lui soumette les tenants et les aboutissants de ce problème.
Des algorithmes de plus en plus performants
Au début il n’y avait rien ou presque. Nous étions capables dans ce domaine de faire calculer de manière mécanique des problèmes mathématiques. Et de reproduire une action simple sans la comprendre. Mais grâce aux puissances de calculs toujours plus importantes. Il est maintenant possible pour un superordinateur de prendre en compte une multitude de paramètres.
Plus ce nombre de paramètres est important. Plus il nécessite de la puissance de calcul et des éléments de comparaison aléatoires qui peuvent changer à grande vitesse.
L’intelligence humaine est définie par sa capacité d’analyser une situation de manière très rapide. Et pertinente en prenant compte d’une gigantesque base d’information en perpétuel mouvement.
Aujourd’hui en matière de conduite autonome les ordinateurs sont en mesure de repérer des lignes et des marquages au sol pour adapter la conduite automatique,
Demain l’analyse de millions d’heures de conduite humaine par les machines de e-learning permettra d’aller beaucoup plus loin. Et les machines apprendront de l’humain pour offrir une expérience toujours plus étonnante.
Est-ce que l’humain prend toujours les bonnes décisions ? Pas forcément, mais les décisions d’un nombre gigantesque d’humains dans une situation donnée pourraient permettre de créer un modèle dit : parfait.
Apprentissage prédictif non supervisé
La prochaine étape sera certainement que la machine soit capable d’apprendre sans être supervisée.
Aujourd’hui c’est encore impossible. Et il est toujours nécessaire de guider les machines. Et de leur montrer le chemin, demain, une caméra placés sur un robot pourra copier les êtres humains et restituer de manière logique et conceptualisée.
Lorsqu’une machine observera par exemple un humain faire ses lacets de chaussure avant de sortir de la maison. Elle apprendra et comprendra que ce geste est à effectuer uniquement. S’il est question de se chausser pour sortir. Et non pas de faire les lacets des chaussures à toutes les occasions.
Aujourd’hui les algorithmes répondent à des séquences plus ou moins logiques. La détection d’un objet (en l’occurrence les chaussures) déclenche la réalisation d’une action.
Combien de données faudrait-il implanter dans la machine pour lui permettre d’analyser un nombre gigantesque de variables pour faire mouche dans tous les cas ?
Ce n’est évidemment pas encore le cas, mais qui sait ce que l’avenir nous réserve ?
C’est probablement la prochaine étape des machines, leurs capacités d’interpréter et de créer leurs propres programmes d’apprentissage. Pour qui sait un jour dans un avenir plus ou moins lointain, dépasser les humains !
Laissez vos commentaires