Qu’est-ce que le machine learning ?
Définition de l'apprentissage automatique
Le machine learning (ML) est une forme d’intelligence artificielle (IA) qui est axée sur la création de systèmes qui apprennent, ou améliorent leurs performances, en fonction des données qu’ils traitent. L’intelligence artificielle est un terme large qui désigne des systèmes ou des machines simulant une forme d'intelligence humaine. Le machine learning et l'IA sont souvent abordés ensemble et ces termes sont parfois utilisés de manière interchangeable bien qu'ils ne renvoient pas exactement au même concept. Une distinction importante est que, même si l’intégralité du machine learning repose sur l’intelligence artificielle, cette dernière ne se limite pas au machine learning.
Aujourd’hui, nous utilisons le machine learning dans tous les domaines. Lorsque nous interagissons avec les banques, achetons en ligne ou utilisons les médias sociaux, des algorithmes de machine learning entrent en jeu pour optimiser, fluidifier et sécuriser notre expérience. Le machine learning et la technologie qui l’entoure se développent rapidement, et nous commençons seulement à entrevoir ses capacités.
Types d'apprentissage automatique : deux approches de l'apprentissage
Les algorithmes sont les moteurs du machine learning. En général, deux principaux types d'algorithmes de machine learning sont utilisés aujourd'hui : l'apprentissage supervisé et l'apprentissage non supervisé. La différence entre les deux se définit par la méthode employée pour traiter les données afin de faire des prédictions.
| Machine learning supervisé | Les algorithmes de machine learning supervisé sont les plus couramment utilisés. Avec ce modèle, un data scientist sert de guide et enseigne à l’algorithme les conclusions qu’il doit tirer. Tout comme un enfant apprend à identifier les fruits en les mémorisant dans un imagier, en apprentissage supervisé, l’algorithme apprend grâce à un jeu de données déjà étiqueté et dont le résultat est prédéfini. Comme exemples de machine learning supervisé, on peut citer des algorithmes tels que la régression linéaire et logistique, la classification en plusieurs catégories et les machines à vecteurs de support. |
| Machine learning non supervisé | Le machine learning non supervisé utilise une approche plus indépendante dans laquelle un ordinateur apprend à identifier des processus et des schémas complexes sans un quelconque guidage humain constant et rigoureux. Le machine learning non supervisé implique une formation basée sur des données sans étiquette ni résultat spécifique défini. Pour continuer avec l’analogie de l’enseignement scolaire, le machine learning non supervisé s’apparente à un enfant qui apprend à identifier un fruit en observant des couleurs et des motifs, plutôt qu’en mémorisant les noms avec l’aide d’un enseignant. L’enfant cherche des similitudes entre les images et les sépare en groupes, en attribuant à chaque groupe sa propre étiquette. Comme exemples d’algorithmes de machine learning non supervisé, on peut citer la mise en cluster de k-moyennes, l’analyse de composants principaux et indépendants, et les règles d’association. |
| Choisir une approche | Quelle est l’approche la plus adaptée à vos besoins ? Le choix entre un algorithme de machine learning supervisé ou non supervisé dépend généralement de facteurs liés à la structure et au volume de vos données, ainsi que du cas d’utilisation auquel il est destiné. Le machine learning s’est développé dans un large éventail de secteurs, répondant à une variété d’objectifs métier et de cas d’utilisation, notamment :
|
L'apprentissage automatique et les développeurs
Lorsqu'ils commencent à utiliser le machine learning, les développeurs utilisent leurs connaissances en statistiques, probabilités et analyse pour créer des modèles les plus à même d'apprendre au fil du temps. Avec des compétences importantes dans ces domaines, les développeurs ne devraient pas avoir de problème à apprendre les outils que de nombreux autres développeurs utilisent pour former des algorithmes de machine learning moderne. Les développeurs peuvent également décider si leurs algorithmes seront supervisés ou non supervisés. Ils ont la possibilité de créer et de configurer un modèle aux prémisses d'un projet et ensuite de permettre au modèle d'apprendre avec une intervention limitée de leur part.
La frontière entre le métier de développeur et de data scientist est souvent floue. Parfois, les développeurs synthétisent les données à partir d'un modèle de machine learning, tandis que les data scientists contribuent à développer des solutions pour l'utilisateur final. La collaboration entre ces deux disciplines peut rendre les projets de machine learning plus utiles.
Objectif d'entreprise de l'apprentissage automatique : modélisation de la valeur vie client
La modélisation de la valeur du cycle de vie des clients est essentielle pour les entreprises d’e-commerce, mais elle s’applique également à de nombreux autres secteurs. Dans ce modèle, les entreprises utilisent des algorithmes de machine learning pour identifier, comprendre et fidéliser leurs clients les plus précieux. Ces modèles de valeur évaluent des quantités massives de données client afin de déterminer les plus gros consommateurs, les plus fidèles porte-paroles d’une marque ou des combinaisons de ces types de caractéristiques.
Les modèles de valeur du cycle de vie des clients sont particulièrement efficaces pour prédire le chiffre d’affaires à venir qu’un client particulier génèrera dans une entreprise au cours d’une période donnée. Ces informations permettent aux entreprises de concentrer leurs efforts de marketing sur la nécessité d’encourager les clients à valeur ajoutée à interagir plus souvent avec leur marque. Les modèles de valeur du cycle de vie des clients aident aussi les entreprises à cibler leurs dépenses d’acquisition pour attirer de nouveaux clients similaires aux clients à valeur élevée existants.
Modélisation du taux d'attrition des clients grâce à l'apprentissage automatique
Gagner de nouveaux clients prend plus de temps et coûte plus cher que de fidéliser et satisfaire les clients existants. La modélisation de la perte des clients aide les entreprises à identifier les clients susceptibles de cesser leurs investissements dans une entreprise et les raisons.
Un modèle de perte de clientèle efficace utilise des algorithmes de machine learning pour fournir des informations éclairés sur tout, de l’évaluation du risque de pertes de clients individuels aux facteurs de cette perte, en ordre d’importance. Ces résultats sont essentiels pour développer une stratégie de rétention algorithmique.
Une meilleure connaissance de la perte de clientèle permet aux entreprises d’optimiser les promotions, les campagnes par e-mail et d’autres initiatives de marketing ciblées qui incitent leurs clients de grande valeur à acheter et revenir.
Les consommateurs ont plus de choix que jamais et peuvent comparer les prix instantanément sur un large éventail de canaux. La tarification dynamique, également appelée tarification à la demande, permet aux entreprises de s’adapter à la dynamique du marché qui s’accélère. Cela permet aux entreprises de proposer des articles à prix flexibles en fonction de divers facteurs tels que le niveau d’intérêt du client cible, la demande au moment de l’achat et le fait que le client a participé ou non à une campagne de marketing.
Ce niveau d’agilité dans l’entreprise nécessite une stratégie de machine learning solide et de nombreuses données sur l’évolution de l’enthousiasme des différents clients à payer pour un bien ou un service en fonction de la situation. Malgré la complexité des modèles de tarification dynamique, des sociétés telles que les compagnies aériennes et les services de covoiturage ont mis en œuvre avec succès des stratégies d’optimisation dynamique des prix visant à maximiser les revenus.
Objectif d'entreprise de l'apprentissage automatique : ciblage des clients avec la segmentation
Pour réussir sa campagne marketing, il faut offrir le bon produit à la bonne personne au bon moment. Il n’y a pas si longtemps, les marketeurs s’appuyaient sur leur propre intuition pour la segmentation de la clientèle, séparant les clients en groupes pour des campagnes ciblées.
Aujourd’hui, le machine learning permet aux data scientists d’utiliser des algorithmes de clustering et de classification pour regrouper les clients en personnalités en fonction de variantes spécifiques. Ces personnalités prennent en compte les différences des clients selon plusieurs dimensions telles que la démographie, le comportement de navigation et l’affinité. La connexion de ces caractéristiques à des modèles de comportement d’achat permet aux entreprises disposant de nombreuses connaissances en données de déployer des campagnes marketing hautement personnalisées et plus efficaces pour augmenter les ventes que les campagnes généralisées.
À mesure que le volume des données disponibles dans les entreprises augmente et que les algorithmes deviennent plus sophistiqués, les capacités de personnalisation augmentent, permettant ainsi aux entreprises de se rapprocher du segment de clientèle idéal.
Objectif d'entreprise de l'apprentissage automatique : recours à la puissance de la classification des images
Le machine learning prend en charge une variété de cas d’utilisation autres que la vente au détail, les services financiers et l’e-commerce. Il présente également un potentiel énorme pour la science, la santé, la construction et l’énergie. Par exemple, la classification des images utilise des algorithmes de machine learning pour attribuer une étiquette à une image entrante à partir d’un ensemble déterminé de catégories. Cela permet aux entreprises de modéliser des plans de construction 3D à partir de conceptions 2D, de faciliter le marquage de photos dans les médias sociaux, de documenter les diagnostics médicaux et plus encore.
Des méthodes de deep learning, telles que les réseaux de neurones, sont souvent utilisées pour la classification des images, car elles permettent d’identifier très efficacement les caractéristiques pertinentes d’une image en présence de potentielles complications. Par exemple, elles peuvent prendre en compte les variations de point de vue, de l’éclairage, de l’échelle ou du volume d’encombrement dans l’image et compenser ces problèmes pour fournir les informations les plus pertinentes et de haute qualité.
Moteurs de recommandation
Les moteurs de recommandation sont essentiels pour la vente croisée et la vente incitative, et pour améliorer l’expérience client.
Netflix estime que le moteur de recommandation qui alimente ses suggestions de contenu rapporte 1 milliard de dollars par an et Amazon affirme que son système augmente les ventes annuelles de 20 à 35 %.
Les moteurs de recommandation utilisent des algorithmes de machine learning pour parcourir de grandes quantités de données afin de prédire la probabilité qu’un client achète un article ou apprécie un contenu, puis font des suggestions personnalisées à l’utilisateur. Le client bénéficie d’une expérience plus personnalisée et pertinente qui stimule la consommation et réduit la perte de clientèle.
Cas d’utilisation de l'apprentissage automatique
Le machine learning est utilisé dans une variété de cas d’utilisation essentiels. Mais comment procure-t-il un avantage concurrentiel ? L’un des meilleurs atouts du machine learning est sa capacité à automatiser et accélérer la prise de décision, ainsi qu’à accroître le délai de rentabilité. Cela commence par une meilleure visibilité de l’activité et une collaboration renforcée.
« Traditionnellement, nous constatons que les collaborateurs ne peuvent pas travailler ensemble, déclare Rich Clayton, vice-président de la stratégie produit d’Oracle Analytics. "En ajoutant le machine learning à Oracle Analytics Cloud, les utilisateurs peuvent organiser leur travail et créer, alimenter et déployer ces modèles de données. C’est un outil de collaboration qui accélère le processus et permet à différentes parties de l’entreprise de collaborer, offrant ainsi une meilleure qualité et des modèles à déployer. »
Par exemple, les départements financiers traditionnels doivent régulièrement répéter un processus pénible d’analyse des écarts, qui consiste en une comparaison entre les résultats réels et les prévisions. C’est une application peu cognitive qui peut grandement bénéficier du machine learning.
« En intégrant le machine learning, la finance peut travailler plus rapidement et plus intelligemment, et reprendre là où la machine s’est arrêtée », a déclaré Clayton.
Le pouvoir de la prédiction
Autre atout intéressant du machine learning : ses capacités prédictives. Auparavant, les décisions d’entreprise étaient souvent fondées sur des résultats historiques. Aujourd’hui, le machine learning utilise des analyses enrichies pour prédire ce qui va se passer. Les entreprises peuvent prendre des décisions prospectives et proactives au lieu de s’appuyer sur des données antérieures.
Par exemple, la maintenance prédictive peut permettre aux fabricants, aux sociétés énergétiques et à d’autres secteurs d’activité de prendre des initiatives, et de garantir la fiabilité et l’optimisation de leurs opérations. Dans un champ pétrolier avec des centaines de foreuses en fonctionnement, les modèles de machine learning peuvent détecter les équipements susceptibles de tomber en panne très prochainement, puis d’en informer les équipes de maintenance à l’avance. Non seulement cette approche optimise la productivité, mais elle augmente également la performance, la disponibilité et la longévité des actifs. Elle minimise aussi les risques pour les travailleurs, diminue les responsabilités et améliore la conformité aux réglementations.
Les avantages de la maintenance prédictive s’étendent au contrôle et à la gestion des stocks. Éviter les temps d’arrêt imprévus des équipements en mettant en œuvre une maintenance prédictive permet aux entreprises de prévoir avec plus de précision le besoin en pièces de rechange et les réparations, ce qui réduit considérablement les dépenses d’investissement et d’exploitation.
Potentiel de l'apprentissage automatique
Les entreprises peuvent s’appuyer sur l’énorme potentiel du machine learning pour valoriser sur le plan commercial le volume considérable de données disponibles aujourd’hui. Cependant, des flux de travail inefficaces peuvent les empêcher de tirer le meilleur profit de cette technologie.
Pour que toute l’entreprise en bénéficie, le machine learning doit intégrer une plateforme complète qui contribue à simplifier les opérations et à déployer des modèles à grande échelle. La solution appropriée doit permettre aux organisations de centraliser tous les travaux de data science sur une plate-forme collaborative et d’accélérer l’utilisation et la gestion des outils, des structures et des infrastructures open source.