#Technologies

machine learning
  • Rédacteur
    • Guillaume
  • Niveau de complexité
    • .
      .
      .
      .
      .
  • Temps de lecture
    • 10 minutes

Pourquoi le machine learning bouscule le digital

07/12/2018

Vous en avez sûrement entendu parler (sinon, ça tombe bien, ce sera le cas à la fin de cet article), le machine learning est une tendance qui se démocratise et n’a pas fini de faire parler d’elle.

Bien au contraire : à l’ère de la big data et de l’intelligence artificielle, c’est une manne pour les entreprises qui souhaitent utiliser intelligemment leurs données, particulièrement sur le digital.

Kelcible vous en dit plus sur le sujet !

Machine Learning : qu’est-ce que c’est ?

Le machine learning, ou “apprentissage automatique” pour la version française, est une technique qui analyse des données de manière continue et autonome. L’objectif étant d’en déduire des tendances.

Cette pratique est d’autant plus intéressante pour les entreprises : vous disposez de datas grâce à vos clients et/ou vos internautes. Voilà donc une bonne façon de les exploiter efficacement.

Concrètement, le machine learning a pour objectif de classifier des données ingérées, et d’en prédire des tendances à venir. Vous suivez ?

La classification automatique : c’est regrouper les données qui partagent des critères communs.

Par exemple pour des individus : la classe des femmes, la classe des hommes, etc.

Un autre exemple : la classification automatique d’une page en tant que page spam ou non, ou encore le travail d’un bloqueur de publicités.

Dernier exemple : le machine learning pourra aider un bibliothécaire à classer ses livres compte tenu du grand nombre de critères.

big data

La prédiction : on parle aussi d’analyse prédictive.  L’algorithme observe les comportements du passé et partant de là, essaie de repérer des schémas récurrents qui amènent à certaines issues. De fait, lorsque l’algorithme voit apparaître dans le présent un début de schéma qu’il connaît, il fait une prédiction sur le futur.

Vous suivez toujours ?

Prenons un exemple.
Une voiture vous double en zigzaguant sur l’autoroute avec un pneu crevé en feu. Vous allez probablement prédire ce qui suit : « il va y avoir un accident ».
Pourquoi ? Non pas parce que vous savez lire dans le futur (désolé pour la désillusion), mais parce que vous êtes ici face à une situation qui par le passé (et vous le saviez, que vous l’ayez vécu ou lu) s’est terminée ainsi.

Machine learning : comment ça fonctionne ?

machine learning

Pour en arriver là, il est nécessaire de mettre en place une méthode d’apprentissage automatique pour former la machine en la nourrissant de données.

Schéma processus machine :

Intégration des données → Analyse de ces données → Repérage de schéma(s) récurrent(s) → Elaboration d’un algorithme pour classer les données ou prédire des tendances.

Différents algorithmes en résultent et sont fonction de la façon d’apporter à la machine les données à traiter.

L'algorithme supervisé

Vous aidez la machine à comprendre les données que vous lui soumettez en lui fournissant des caractéristiques précises qui vont la guider dans son classement. La machine apprend à partir de ces caractéristiques.

L’avantage : les taux de réussite élevés, puisque dans 90 à 94% des cas, la machine classe correctement les données.

Google Panda est un algorithme supervisé, tout comme son copain Google Pingouin. Les algorithmes pour classer les mails comme du spam sont également des algorithmes supervisés.

Pour rappel, Google (et les autres moteurs de recherche) vous propose des résultats de recherche classés grâce à des algorithmes. Un algorithme, c’est une sorte de robot, de règle automatique, qui a vocation à améliorer la pertinence des résultats de recherche. Certains sont prévus pour pénaliser les sites ou les pages qui ne respectent pas les consignes. D’autres vont favoriser les sites ou les pages qui ont une caractéristique précise et sont “bons élèves”.

L'algorithme sans supervision

Même sans critère spécifique, la machine est capable de trouver des similitudes entre vos données et de les classer en différents groupes. A vous de nommer ces groupes pour que la machine l’assimile.

Ainsi, sans être guidée, la machine a su classer les données et sait maintenant reconnaître que tel ou tel individu appartient à tel ou tel groupe.

L’avantage : la donnée brute. Vous n’avez ainsi pas besoin de classer vos données au préalable. Même si vous n’êtes pas en mesure de connaître toutes les caractéristiques de votre data, la machine s’en chargera.

L'algorithme par renforcement

C’est la méthode de l’AB testing. La machine est capable de savoir que telle situation est meilleure qu’une autre en apprenant des actions réalisées.

Les algorithmes qui apprennent à jouer à un jeu sont un bon exemple. Elles apprennent en effet de leurs actions : on leur dit en temps réels si elles ont gagné ou perdu.

Par exemple, quand vous apprenez à faire du vélo, on vous explique une fois comment faire. Vous tombez, vous tombez, et vous retombez. Jusqu’au moment où vous ne tombez plus.

Et le digital dans tout ça ?

On y arrive !

Dans cette course à la big data et à l’IA, Google -et les autres moteurs de recherche de manière générale – a bien saisi les enjeux et le fort potentiel et en profite pour élargir son champ d’action afin d’améliorer la performance de son algorithme… et ce jusqu’à pouvoir classer demain les sites web en se basant sur des comportement passés.

C’est une révolution dans l’univers du SEO : les sites ne seraient alors plus classés selon des critères précis et fixes, mais directement sur l’évolution des comportements et la qualité de l’expérience utilisateur (UX).

En 2018, 37% des fonds dédiés à l’IA étaient destinés à la créations d’agents virtuels et de chatbots.

Côté communication on exploite le machine learning pour la conception de chatbots toujours plus performants. Ayant pour vocation de répondre à tout type de demande et de façon pertinente et fiable, le machine learning est un enjeu de taille pour les chatbots, notamment les chatbots conversationnels.

Plus un chatbot discutera avec les utilisateurs, plus il engrangera des informations pertinentes.

Ainsi dans les conversations futures, le programme pourra mieux anticiper les questions et ajustera plus rapidement son comportement.

Finalité : en couplant l’intelligence artificielle et le machine learning, on va pouvoir créer des chatbots intelligents capables de s’adapter à la personnalité du client. L’objectif étant lui proposer, par exemple, le produit adéquat en utilisant les arguments les plus convaincants. D’assistant virtuel, le chatbot devient alors un vendeur réel. On vous en parle en détails dans cet article dédié aux chatbots.

Ainsi, pour vous, pour votre entreprise, le machine learning est donc plus qu’une tendance : c’est une technique indispensable pour développer votre business en ré-utilisant la data dont vous disposez déjà !

Blog Kelcible