Machine Learning : à l’épreuve du mythe

Système d’information

L’informatique devient de plus en plus intelligente.

Grâce à ces utilisateurs, souvent plus sensibles aux nouvelles technologies, mais surtout grâce à l’inclusion de nouveaux services au sein même des applications. Le buzzword de cette tendance? #MachineLearning.

Présenté comme une solution miracle face à l’inondation de la donnée de tout type, et au manque de temps des utilisateurs et des organisations, le Machine Learning est avant tout une réponse pragmatique pour faciliter la prise de décision.

Dans les faits, le Machine Learning, c’est quoi?

Le Machine Learning, c’est la capacité à faire progresser un programme dans la tâche qu’il a à effectuer, de manière autonome, sans intervention humaine.

Cette amélioration de la tâche s’effectue en fonction des données que ce programme reçoit pour l’alimenter, et des résultats produits par le traitement qu’il effectue.

En imageant : un robot qui avance tout droit, à force de se taper contre les murs finira par essayer de tourner et comprendra qu’éviter l’obstacle lui permet d’aller plus loin.

Pour bien comprendre le concept de machine learning, il faut donc d’abord comprendre le concept d’algorithme.

Un algorithme est une suite d’opérations ou d’instructions qui permettent d’obtenir un résultat. Ce résultat dépend des données en entrée de l’algorithme (inputs). Si les entrées sont les mêmes, le résultat sera le même.

Rappelez-vous, si f(x)=2x, alors qu’importe le nombre de fois où l’on donne à la fonction f, une entrée X=4, le résultat sera toujours 8.

Traditionnellement, pour ajuster le résultat d’un algorithme pour une même donnée entrante, il faut une intervention humaine pour changer la manière dont l’algorithme traite ces données.

En effet, si mon objectif est que le résultat pour X=4 soit 2, la fonction doit être modifiée en f(x)=x/2.

Bon, maintenant, imaginez : vous souhaitez mettre en place un algorithme avec un traitement complexe, avec des dizaines de variables à changer et de paramètres à faire varier. Comment améliorer l’algorithme ? Impossible de prendre en compte toutes les variables, de tout analyser, de tout tester…

C’est là que le machine learning intervient : cette phase d’optimisation de l’algorithme est automatique, et permet de virtuellement faire progresser l’algorithme par l’expérience en simulant un nombre infini de traitements.

Plus globalement le but est de déterminer un algorithme capable de prédire un résultat considéré juste qu’importe les variables en entrée.

Cette construction se divise en trois phases : la Représentation / l’Evaluation / l’Optimisation.

  1. Trouver un modèle de représentation, c’est à dire un algorithme qui mêle et orchestre les différentes données entrantes pour générer les données sortantes.
  2. Évaluer la marge d’erreur entre le modèle et la réalité, c’est à dire la différence entre le modèle théorique élaboré en 1 et ce qui a été réellement produit.
  3. Réduire cette marge, qui consiste à affiner les variables de l’algorithme établi en 1, afin que la marge d’erreur mesurée en 2 soit plus faible.

Ce cycle est répété jusqu’à ce que le modèle algorithmique atteigne une précision satisfaisante pour aboutir sur un modèle prédictif.

On constate actuellement beaucoup d’amalgames entre Machine Learning, Big Data, Internet des Objets, et Intelligence Artificielle. Mais cela fait oublier une question primordiale : le Machine Learnings en entreprise, pourquoi faire?

I – Machine Learning et Big Data

Le Big data, le traitement de données massive, est surement un des concepts informatique qui impacte le plus le monde réel de nos jours. Ce qui caractérise l’analyse de données de type Big data est le principe des 3V :

  • Volume : la quantité des données analysée est gigantesque comparativement à ce qu’il était auparavant possible.
  • Vélocité : cette analyse est effectuée de façon efficace et surtout rapide.
  • Variété : enfin, les données sont de tout type, et proviennent de différentes sources.

Le Big Data promet la corrélation de données pour identifier, analyser ou prévoir des tendances avec comme but ultime de maximiser les performances de l’entreprise.

Si on résume on a donc des données extrêmement nombreuses, variées, parfois non structurées, et qui arrivent en quasi temps réel. Comment faire en sorte de les rendre intelligible assez vite pour en tirer efficacement partie par la suite ? C’est ici que le machine learning intervient. Le ML aide à construire des algorithme capable d’identifier des tendances, puis des les prévoir.

Par l’apport du Machine Learning, les analyses Big Data gagnent ainsi en finesse et en pertinence

II – Machine Learning et Internet des Objets

Notre quotidien est de plus en plus connecté, à commencer par nous-mêmes et en terminant par nos plantes vertes.

Ces données servent à faciliter notre quotidien : le ficus asséché dans la cuisine se rappelle à nous pour réclamer un peu d’eau, évitant ainsi un nouveau passage par la case fleuriste.

L’Internet des Objets est avant tout un concept : il s’agit surtout de la création de capteurs autour de nous, interconnectés sur une même plateforme, pour échanger des informations et améliorer notre confort.

Généralement, le Machine Learning est associé à l’Internet des Objets : dans le domaine de la domotique, il est mis en avant le fait que “la maison apprend de vos habitudes”. Ainsi, un mécanisme de mémoire et d’analyse des comportements permettent à la plateforme d’identifier quelle est la température préférée des habitants, mais aussi à partir de quelle heure il est souhaitable d’activer et désactiver le chauffage pour préparer au retour des habitants.

Pour autant, il s’agit seulement d’un cas possible, et non pas d’une généralité : dans le monde de la logistique par exemple, les capteurs permettent surtout de suivre les points de passage des éléments en transit. Le Machine Learning intervient surtout dans l’optimisation des moyens de livraison, et dans l’anticipation des pics de charge.

III – Machine Learning et Intelligence Artificielle

Voici l’amalgame le plus tenace : grâce au Machine Learning, “ça se fait tout seul”.

S’il parait extrêmement difficile de concevoir l’Intelligence Artificielle sans une partie d’apprentissage, donc du Machine Learning, la réciproque n’est pas pour autant vérifiée.

L’amalgame entre l’Intelligence Artificielle et Machine Learning n’a pas lieu d’être : si l’Intelligence Artificielle inclut des mécanismes de Machine Learning pour approfondir sa démarche autonome, le Machine Learning reste largement dépendant de règles de fonctionnement définies strictement par un humain.

L’Intelligence Artificielle, fondamentalement, est un service autonome, tant dans son alimentation en données que dans sa prise de décision pour un objectif défini; le Machine Learning permet d’améliorer un traitement servant à la prise de décision, mais ne dispose pas de la capacité de prise de décision.

Cette définition est réductrice, et ne sert qu’à illustrer la différence fondamentale entre ces deux concepts.

En conclusion, le Machine Learning est un excellent moyen d’améliorer la pertinence des services apportés aux utilisateurs, en apportant une capacité d’amélioration continue au sein même des applications. 

Laisser un commentaire