Digital for all now

Machine learning : de la lecture d’une adresse manuscrite à la prédiction du contenu d’un panier d’achat

Econocom 18 Fév 2015

Le machine learning, ou apprentissage automatique, permet d’établir des modèles prédictifs à partir de corpus de données. Grâce au machine learning, un client mail peut par exemple classer certains courriers directement dans le dossier spam : en passant en revue des milliers et des milliers de messages, le logiciel a appris à identifier un spam.

Plusieurs applications de cette branche de l’intelligence artificielle permettent aux entreprises d’améliorer leurs performances. C’était d’ailleurs l’objet d’une conférence des TechDays de Microsoft.

 

Le terme a l’air sorti d’un film de science-fiction. Pourtant, nous utilisons déjà les applications du machine learning au quotidien : quand nous faisons une recherche sur Google ou quand nous jouons avec une console qui reconnait nos mouvements. Il faut dire que le concept n’est pas vraiment récent. Microsoft travaille depuis une quinzaine d’années sur la possibilité de faire évoluer le comportement d’une machine grâce à l’analyse d’un gros volume de données.

 

Avec l’apprentissage automatique, les machines peuvent percevoir leur environnement et reconnaitre des objets, qu’il s’agisse d’éléments de langage naturel ou d’écriture manuscrite, de visages, de formes…  Des résultats qu’il est impossible d’obtenir avec des algorithmes classiques.

 

En fait, à partir du moment où le corpus de données est suffisant,  il est aujourd’hui possible de construire des mécanismes prédictifs basés sur la lecture et l’observation précise de ces données, quelles qu’elles soient.

 

Concrètement, avec le machine learning, nous pouvons créer des outils capables de détecter certaines fraudes à la carte bancaire, déterminer si le lancement d’un produit sera un échec ou un succès, mener des analyses précises du marché boursier ou encore classifier des séquences d’ADN, surveiller les baleines grâce à des enregistrements audio ou diagnostiquer des maladies psychiques comme la psychopathie par l’analyse d’un fil Twitter.

 

Des applications métier déjà disponibles sur le marché

Il est loin le temps où Garry Kasparov pouvait encore battre Deep Blue, le superordinateur développé par IBM dans les années 1990. Aujourd’hui, le petit génie de l’entreprise américaine, c’est Watson, un programme d’intelligence artificielle qui a la particularité de comprendre le langage naturel. Depuis quelques mois, il se décline en Watson Analytics, une plateforme cognitive dotée de puissants outils d’analyse prédictive et destinée aux utilisateurs métier.

 

Le machine learning n’est donc plus uniquement réservé aux seuls analystes et data scientists mais s’adresse directement aux professionnels du marketing, des ventes, de la finance ou encore des RH. Sans formation scientifique, ils peuvent mieux comprendre et interpréter leurs informations d’entreprise par le biais de requêtes formulées en langage naturel.

 

Directeurs produits, marketeurs, commerciaux ou DRH peuvent ainsi poser différentes questions : Quels sont les leviers principaux pour la vente d’un produit ? Quels avantages RH permettent de retenir un salarié dans une entreprise ? Quels sont les prospects les plus susceptibles de devenir des clients ?

 

Pour fournir une réponse, Watson Analytics commence par regarder le corpus de données fourni par l’utilisateur afin de lui attribuer un score de propreté et d’indiquer le nombre d’analyses réalisables. Il recherche ensuite les corrélations potentiellement intéressantes et les présente sous forme de graphiques. Plus l’utilisateur va choisir de visualiser certains résultats plutôt que d’autres, mieux Watson Analytics va pouvoir cerner ses centres d’intérêt. Il lui proposera donc des analyses sur mesure pour optimiser une campagne marketing, offrir de meilleurs services à ses clients ou plus globalement, prendre une décision en s’appuyant sur les différentes prédictions proposées.

 

Le concurrent de Watson Analytics chez Microsoft, c’est Azure Machine Learning, une application d’analyses prédictives qui, elle aussi, permet aux utilisateurs d’explorer très simplement des données pour en tirer des prévisions. Là non plus, pas besoin de rédiger des lignes de code ou de posséder un doctorat en mathématique, tout se fait très facilement grâce à une interface intuitive, des actions de glisser-déposer et des graphiques de visualisation simples. Les algorithmes sont ceux qui ont été utilisés pour la console de jeu Xbox ou le moteur de recherche Bing mais les promesses sont les mêmes que chez IBM. Seule différence : Azure Machine Learning est conçu pour s’intégrer aux outils Microsoft comme Azure Storage, une solution de stockage dans le cloud, ou des services plus techniques comme HDInsight qui permet le traitement de gros volumes de données.

 

Predire une panne d’ascenceur ou lire des rapports cliniques

« Le machine learning a la capacité de transformer de fond en comble les modèles d’affaires. »

Pour Bernard Ourghanlian, directeur de la sécurité informatique chez Microsoft France et maitre de cérémonie aux TechDays, le machine learning pourrait bientôt devenir indispensable dans les entreprises.

 

Quelques exemples concrets ? Grâce au machine learning, USPS, l’équivalent américain de La Poste, peut désormais traiter automatiquement 98%  des courriers ayant une adresse manuscrite (contre 10% auparavant) tandis que ThyssenKrupp Elevator détecte les comportements anormaux de ses ascenseurs pour prédire d’éventuelles pannes. Côté IBM, Watson a été recruté il y a plusieurs mois déjà par un centre de cancérologie new yorkais pour lire et analyser plusieurs millions de pages de journaux spécialisés et de rapports cliniques.

 

Mais toutes les utilisations possibles ne sont pas si spectaculaires. En effet, les usages les plus communs du machine learning se font dans le secteur du e-commerce : analyse prédictive d’un panier d’achat, cross-selling et recommandations (« Vous aimerez aussi »), estimation du coût des frais de port et du temps de livraison, détection et prévention des fraudes…

 

Lors des TechDays, la start-up française Alkemics se targuait de réinventer l’expérience client grâce au machine learning. Destinée à l’univers e-commerce, leur plateforme collaborative est ouverte aux marques qui peuvent remplir les fiches de leurs produits en y ajoutant des visuels, des informations produit détaillées, des recettes… En recréant en quelque sorte des facings linéaires en ligne, Alkemics permet aux marques de mieux piloter leur merchandising tandis que les distributeurs bénéficient d’un contenu à forte valeur ajoutée et optimisent leur référencement. De leur côté, les utilisateurs profitent d’une expérience améliorée.

 

Vers une éthique de la donnée ?

Pour qualifier cette technologie omniprésente, et néanmoins quasiment invisible, Bernard Ourghanlian parle d’intelligence ambiante et cite l’informaticien Mark Weiser, père fondateur de l’informatique ubiquitaire :

« Les technologies les plus profondes sont celles qui se fondent dans la vie quotidienne jusqu’à en devenir indiscernables ».

Par conséquent, certaines questions se posent déjà : ces machines intelligentes ne vont-elle pas trop s’immiscer dans notre intimité ? Comment nos données personnelles seront-elles protégées ?

 

Un vaste débat dont s’est déjà emparé le Conseil d’Etat en septembre dernier avec la publication d’un rapport annuel sur le thème du numérique et des droits fondamentaux.

 

Crédit photo : r2hox – data.path Ryoji.Ikeda – 4 (Flickr.com, licence CC BY-SA 2.0)

Vous aussi prenez la parole et partagez avec nous votre histoire de Digital Maker !