Le machine learning : LA méthode d’analyse du big data
À l’heure où le Big Data et le Smart Data sont vus comme l’or noir d’une nouvelle ère, notre capacité à les traiter, les analyser et les exploiter est devenue un sujet central en data science. C'est pourquoi les profils scientifiques en computer science comme les data scientist, spécialiste du data mining sont devenus incontournables des services DSI des start-ups. A l’inverse des algorithmes préprogrammés, le machine learning se base sur une approche empirique. L’historique et la richesse des données du passé permettent d'optimiser la pertinence de son analyse. Retrouvez toute l'actualité marketing dans notre rubrique dédiée.
Qu’est-ce que le machine learning ?
Une approche liée au big data
Le Machine Learning (ML) se traduit en français par « apprentissage automatique ». Il s’agit d’une analyse des données continue, capable de développer une capacité prédictive. Avec l’essor du bigdata, celle-ci est devenue si puissante qu’elle permet des applications nouvelles dans de nombreux domaines.
L’effet apprenant de l’algorithme
La capacité de traitement massif des données par des réseaux de neurones permet d’élaborer des systèmes d’analyse autonome. La valeur ajoutée du Machine Learning est de se baser :
- soit sur l’historique que connaît la machine : on parle dans ce cas d’apprentissage supervisé ;
- soit sur les corrélations identifiées entre les données : on parle dans ce cas d’apprentissage non supervisé ou clustering.
Le programme Machine Learning « s’éduque » ainsi en continu, de manière à étayer de plus en plus finement sa mécanique prédictive.
Des applications qui révolutionnent les usages
L’approche Machine Learning trouve des applications infinies dans des secteurs variés, de la recherche pure comme en mathématiques appliquées au business avec l'internet des objets et les objects connectés.
Quand la science n’est plus fiction
Quand on évoque l’intelligence artificielle, c’est souvent à travers des exemples spectaculaires tels que la voiture Google. Le programme Machine Learning permet dans ce cas une conduite autonome basée sur la déctection de l'environnement et la décision des actions qui en découlent (inférence). L’appareil est en pilotage automatique : le conducteur peut faire autre chose. On pense tout de suite aux films de science-fiction, et la technologie nous apparaît comme un bond en avant.
Une source d’analyse pour le e-commerce
De manière plus prosaïque, l’apprentissage automatique dans les systèmes d'information est déjà présent dans de nombreux usages de notre quotidien. Les applications logicielles business, par exemple, s’en servent pour prédire les comportements d’achat du consommateur. Le programme, sur la base de l’analyse des autres clients, peut élaborer des prédictions liées au panier comme dans les Amazon web services.
Une source d’informations pour le CRM
Dans le cadre d’une démarche CRM (Customer Relationship Management), ces prédictions peuvent vous servir à alimenter vos échanges avec le client : proposition de produit complémentaire, service associé… Un logiciel marketing comme Plezi va par exemple récolter des informations sur l’internaute au cours de sa navigation sur votre site : les articles de votre blog sur lesquels il s’attarde, les liens qu’il aura ouverts... Cette approche Machine Learning restitue des éléments qui vont enrichir votre base de données et qui sont autant d’indicateurs pour mieux comprendre votre destinataire et améliorer votre connaissance client. Une matière précieuse pour effectuer un meilleur ciblage et personnaliser votre approche en lui adressant un contenu adapté (newsletter, propale ...).
Un gain opérationnel pour votre entreprise
Pour l’entreprise, l’apprentissage automatique peut rendre les processus internes plus performants. C’est le cas pour la saisie des notes de frais via le progiciel Expensya par exemple. Grâce à cet outil, commerciaux ou secrétaires n’ont plus à saisir les détails des tickets de caisse dans l'interface. Il suffit d’une simple photo du papier. Et le programme en extrait les informations : montant de la TVA, date, lieu, nom du fournisseur. Les applications de tenue bancaire sont également plus performantes avec le ML. Les flux importés sont transformés en écritures comptables par rapprochement automatique proposé par l’outil. Plus on utilise la solution, plus les rapprochements sont pertinents. C’est l’effet apprenant du Machine Learning. De la même manière, les serveurs de messagerie peuvent repérer les mails auxquels vous accordez de l’importance et les classer en conséquence.
Des éléments d’estimation des risques
Dans des secteurs où l’estimation des risques est au cœur de l’activité, le Machine Learning joue un rôle crucial. Les assureurs par exemple, pour fixer le prix de leurs formules, entrent un lot de renseignements dans l’outil (âge, sexe, lieu de résidence, profession…) et en tirent un pronostic quant aux dépenses médicales potentielles associées à la personne. De même chez les banques, au moment d’accorder un crédit, afin d'anticiper tout problème, le risque d’insolvabilité d’un client est affiné par l’historique des données de cas similaires passés au peigne fin par l’approche Machine Learning.
Quand l’analyse traite même l’intangible
L’analyse Machine Learning va jusqu’à se baser sur des critères qui ne se prêtaient a priori pas à une analyse d’intelligence informatique. Comme par exemple chez Picasa, l’application Photos de Google, ou iPhoto, l’équivalent chez Apple, avec leur mécanique de reconnaissance des visages. Vous téléchargez vos photos et l’outil vous les réorganise par paquets pour identifier d’un même coup une personne sur toutes les photos où elle figure. On parle de Reconnaissance Optique de Caractères (OCR, optical character recognition). C’est un exemple de technologie basée sur la reconnaissance et la visualisation de formes. L’intelligence artificielle étend cette capacité plus loin encore. En fonction des tonalités émotionnelles perçues dans la voix, certains documents sonores (films, court-métrages, enregistrements audio…) peuvent être classés par genre. On va ici jusqu’à une forme d’analyse de sentiments. Sur des applications de langage, le Machine Learning peut servir à détecter la langue natale. Et dans certains contextes d’application, une traduction automatique et en temps réel peut être proposée, comme sur Skype.
Une utilité même pour la santé
Dans des domaines aussi pointus que celui de la médecine, l’apprentissage automatique a également énormément à apporter. Un centre de cancérologie new-yorkais a ainsi implanté un programme baptisé Watson. Riche d’un jeu de données basé sur quatre millions de pages de journaux spécialisés et de rapports cliniques, l’algorithme d’apprentissage en text mining est capable d’émettre des diagnostics pointus. Bientôt disponible en version 100 % cloud, ce programme Machine Learning est en passe de révolutionner la qualité et le coût des soins dans de nombreux pays.
Le Machine Learning révolutionne la science des données et permet une transformation digitale dans des domaines aussi nombreux que variés. Capable d’ingurgiter des jeux de données à échelle colossale (big data), l’approche Machine Learning réinvente de nombreux usages sur des tâches aussi bien opérationnelles que de grande envergure.