L’industrie informatique a un cas grave de conformité à Buzzword. Il est maintenant obligatoire pour les entreprises de laisser tomber des mots tels que “apprentissage automatique,” “intelligence artificielle,” ou “l'apprentissage en profondeur” pour dynamiser toute conversation autour de l'analyse.

Malheureusement, cela peut rendre plus difficile la compréhension des avantages réels que la dernière évolution de l’analyse peut apporter..

Le jargon démystifié

Pour aider les non-initiés, commençons par expliquer un peu le jargon:

L'intelligence artificielle (IA) est une capacité. John McCarthy a utilisé ce terme pour la première fois en 1956 pour décrire des machines capables de réaliser des tâches caractéristiques de l'intelligence humaine..

L'apprentissage automatique (ML) est un processus. Arthur Samuel a inventé le terme en 1959 pour décrire la variété de méthodes de calcul capables de créer une IA, en apprenant et en entreprenant des tâches spécifiques sans être explicitement programmé pour le faire..

Deep learning (DL) est une technique spécifique de ML. Beaucoup d'autres existent. Quand les gens disent qu'ils sont “faire de l'IA” ou “recherche de DL,” essentiellement, ils font l'apprentissage de la machine.

L’apprentissage automatique dans son essence n’est qu’un autre outil de la boîte à outils de l’analyse. Mais ne minimisons pas son importance. Bien fait, l’apprentissage automatique étend notre capacité à prévoir et à prendre des décisions dans un plus grand nombre de cas d’utilisation que ce n’était possible jusqu’à présent..

Lorsqu'il s'agit d'intégrer des informations à l'entreprise, il est souvent question de prédiction et de prise de décision. Il est largement reconnu que les entreprises doivent évoluer au-delà de la simple analyse dimensionnelle, telle que les tableaux de bord, et développer une capacité prédictive pour obtenir des résultats de plus en plus utiles..

Pourquoi l'apprentissage automatique?

Heureusement, les mathématiques fournissent des méthodes très efficaces pour aider à résoudre des problèmes complexes de prédiction et de prise de décision. On peut donc se demander, si nous disposons déjà de méthodes efficaces, à quoi sert l'apprentissage automatique?

La NASA a si bien réussi à prédire le comportement des satellites qu’elle les contrôle toujours à une distance de 21 milliards de kilomètres, 41 ans après leur lancement. Par conséquent, on pourrait penser que la résolution de problèmes commerciaux terrestres serait un jeu d'enfant. Mais ce n'est pas forcément le cas.

Pour prendre une décision sensée ou une prévision précise, il faut disposer d’un modèle - comprendre le problème à traiter. Bien que les problèmes de la NASA semblent absurdement insolubles, ils sont capables de les résoudre car des siècles d'apprentissage scientifique leur ont fourni les modèles requis, exprimés sous forme d'équations mathématiques. Les techniques d'analyse classiques sont incroyablement efficaces lorsque nous avons une compréhension mathématique approfondie du problème..

Apprentissage automatique vs analytique

Inversement, nous manquons rapidement de vitesse analytique lorsque cette compréhension mathématique du problème nous manque. Vous voulez trouver une équation pour décrire le comportement de la gravité? Aucun problème. Besoin de trouver une équation pour déterminer le comportement d'un groupe de consommateurs? Bonne chance! C'est là que l'apprentissage machine ajoute de la valeur. Cela permet à l’humanité de trouver des solutions à des problèmes que nous ne comprenons pas suffisamment bien pour utiliser les méthodes analytiques existantes..

Les méthodes d’apprentissage automatique diffèrent par le fait que les modèles qu’elles construisent sont invariablement simples, n’ayant besoin que de comprendre le problème spécifique à résoudre. Ces modèles sont directement dérivés d'observations tirées d'ensembles de données pertinents auxquels ils sont exposés, et non de siècles d'apprentissage scientifique..

L'apprentissage automatique ne doit pas être considéré comme un substitut aux approches analytiques classiques. C'est plutôt une extension utile pour permettre d'obtenir des réponses plus précises aux questions existantes ou des types de questions complètement nouveaux à poser. Dans une boîte à outils composée d’outils spécifiques, l’apprentissage automatique est le couteau suisse. Avec ses fonctions multiples, ce n'est pas un outil que tout artisan expérimenté en analyse devrait immédiatement utiliser, mais il est heureux de l'avoir lorsque tous les outils classiques se sont révélés inadéquats..

Paul Fermor, Directeur britannique des solutions chez Software AG

  • Nous avons également mis en avant les meilleures plates-formes d'IA pour les entreprises