L'apprentissage automatique est à la base de la technologie que nous utilisons chaque jour - et il ne s'agit pas uniquement de la reconnaissance vocale dans Kinect and Cortana ou de la traduction futuriste de Microsoft sur Skype..

Chaque fois que vous recevez des instructions à partir de votre GPS, effectuez une transaction par carte de crédit ou recherchez un produit en ligne, l'apprentissage automatique consiste à prévoir le meilleur itinéraire, à déterminer si vous utilisez une carte de crédit volée et à suggérer d'autres options. acheter.

Jusqu'à présent, vous deviez être une entreprise disposant des ressources d'Amazon ou de Yahoo pour tirer parti de l'apprentissage automatique. Avec son nouveau service Machine Learning (ML) Studio fonctionnant sous Azure, Microsoft espère l’ouvrir à tous ceux qui comprennent les statistiques et faciliter l’utilisation des prédictions des modèles d’apprentissage automatique que vous avez créés dans les applications où ils le souhaitent. être très utile.

"Je construis cela de manière à être assez facile à utiliser pour un élève du secondaire", a déclaré à TechRadar, vice-président de Microsoft, Joseph Sirosh - et il sait à quel point l'apprentissage automatique peut être compliqué grâce au moteur de recommandation d'Amazon..

Avec ML Studio, Microsoft permet aux entreprises d’avoir accès aux outils qu’elle utilise en interne. Microsoft travaille sur l'apprentissage automatique depuis deux décennies, souligne Sirosh. "Il est intégré à Bing, à la Xbox, à la structure de la plupart de nos produits clés, y compris Cortana. Nous avons une grande expérience de l'apprentissage automatique et de la façon de le faire à l'échelle Internet, et nous apportons beaucoup de cette expérience. dans le produit. "

Les cloches et les sifflets de ML Studio

Gagner de l'XP

Vous devrez tout de même être un spécialiste des données ou au moins avoir une expérience des mathématiques et de la statistique pour tirer le meilleur parti de ce service, que vous pourrez essayer en avant-première le mois prochain. Mais ce n’est pas ce qui a poussé McKinsey à dire que les entreprises ne peuvent pas trouver les centaines de milliers de scientifiques qu’elles souhaitent employer..

"Ce n’est pas que les gens n’existent pas avec le savoir-faire en mathématiques; chaque diplômé en ingénierie, en mathématiques ou en statistique aura l’arrière-plan nécessaire pour devenir un informaticien productif et un apprenti machine," déclare Sirosh. C'est qu'ils n'ont pas eu de bons outils, rapides, bon marché et simples pour travailler.

"Aujourd'hui, les informaticiens doivent connaître un grand nombre d'outils complexes. Ils doivent être à la fois un ingénieur en informatique et un mathématicien pour pouvoir faire avancer les choses", explique-t-il..

"Et ces outils sont extrêmement coûteux et ont une longue courbe d'apprentissage; vous devez passer énormément de temps pour être productif avec eux. C'est une pierre d'achoppement énorme.

"Ce que nous faisons ici, c'est de simplifier les choses beaucoup plus simplement. Vous devez simplement connaître vos données, savoir comment configurer et cadrer votre problème, puis construire le modèle d'apprentissage automatique. Et pour le déploiement, vous deviez auparavant le transmettre. informatique ou à un ingénieur possédant une vaste expérience en programmation sophistiquée à connecter..

"Notre façon de changer les règles du jeu consiste à vous permettre de construire ces systèmes évolutifs dans le cloud, capables de gérer n'importe quelle charge de transaction, qui vous permettent d'effectuer des déploiements sophistiqués avec très peu d'effort et une incroyable puissance. Ce que nous changeons avec cela Cet outil étend la portée à une très large catégorie de développeurs. Vous pouvez le connecter à un site Web et cela fonctionnera! "

C'est loin de la complexité des systèmes Big Data, ce qui explique en partie pourquoi le rapport de cycle hype de Gartner vient de dire que le Big Data n'apporte pas les avantages escomptés à la plupart des entreprises..

"Nous espérons vraiment sortir le Big Data de son désenchantement", déclare Sirosh, "et la raison de ce désenchantement est qu’aujourd’hui, le Big Data vous permet de stocker du Big Data, mais son analyse et son utilisation sont extrêmement difficiles, et il est très difficile de le brancher sur des systèmes opérationnels..

"En fin de compte, si vous voulez en tirer un réel bénéfice, vous devez le connecter à des systèmes qui affectent réellement les clients ou vous aider à anticiper les choses et à créer des bénéfices de manière automatisée. Ce type d'automatisation est vraiment ce que notre outil excelle à. "