L'apprentissage automatique a le potentiel de transformer la manière dont les organisations interagissent avec le monde, de progresser plus rapidement et de fournir une meilleure expérience client. Mais si le potentiel à long terme de l’apprentissage automatique semble prometteur, son adoption dans l’entreprise risque de progresser plus lentement que prévu. Alors, quel est le problème? John Rakowski, spécialiste du marché pour la gestion de la performance des applications et l'analyse, à AppDynamics, discute des défis auxquels les entreprises sont confrontées lors de l'adoption de la technologie d'apprentissage automatique..

  • Découvrez également les meilleures plates-formes d'IA pour les entreprises

Quels sont les principaux obstacles à l'adoption généralisée de l'apprentissage automatique dans l'entreprise??

Une partie du défi est un manque de compréhension de ce qu'est l'apprentissage automatique. L'apprentissage automatique est une application ou un sous-ensemble de l'IA, généralement considéré comme une intelligence décisionnelle d'ordre supérieur. L'apprentissage automatique consiste à appliquer les mathématiques à différents domaines. Il localise la signification dans des volumes de données extrêmement importants en supprimant le bruit. Il utilise des algorithmes pour analyser les données et en tirer des conclusions, telles que ce qui constitue un comportement normal..

Pensez-vous que le manque de compréhension provient de l'incertitude sur ce que l'apprentissage machine peut faire??

Il est important de comprendre que les algorithmes d'apprentissage automatique ne sont pas entrés dans les tournois d'échecs. Ce qu’ils savent vraiment bien, c’est s’adapter à des systèmes changeants sans intervention humaine tout en continuant de faire la différence entre comportement attendu et comportement anormal. Cela rend l’apprentissage automatique utile dans toutes sortes d’applications - de la sécurité aux soins de santé - en passant par les moteurs de classification et de recommandation, et les systèmes d’identification de la voix et des images.

Les consommateurs interagissent quotidiennement avec des dizaines de systèmes d’apprentissage automatique, notamment Google Search, Google Ads, Facebook, Siri et Alexa, ainsi que pratiquement tous les moteurs de recommandation de produits en ligne d’Amazon à Netflix. Le défi pour les entreprises consiste à comprendre comment l'apprentissage automatique peut ajouter de la valeur à leur activité..

Alors, comment l'apprentissage automatique peut-il être introduit dans une entreprise??

L'apprentissage automatique est généralement introduit dans une entreprise de deux manières. La première est qu'un ou deux employés commencent à appliquer l'apprentissage automatique pour mieux comprendre les données auxquelles ils ont déjà accès. Cela nécessite une certaine expertise dans le domaine de la science des données et, plus important encore, de la connaissance du domaine. Comprendre la valeur commerciale et les besoins des clients en matière de services numériques (applications) utilisés est fondamental, mais ces compétences sont souvent rares..

La seconde consiste à acheter une solution, telle qu'un logiciel de sécurité ou une solution de surveillance des performances des applications, qui utilise l'apprentissage automatique. C’est de loin le moyen le plus simple de commencer à réaliser les avantages de l’apprentissage automatique..

Par exemple, chez AppDynamics, nous appliquons l'apprentissage automatique à comprendre ce qui constitue une application "saine" du point de vue des performances et de l'expérience utilisateur. Nous utilisons des référentiels dynamiques pour déterminer le fonctionnement de chaque étape du parcours d'un utilisateur pour une application. Par exemple, dans une application de commerce électronique, cela peut inclure des étapes telles que la connexion ou la recherche de produit. Ces algorithmes prennent également en compte des variables commerciales telles que des périodes importantes de l'année telles que le Black Friday, puis des alertes sont générées lorsque les performances s'écartent. Cela permet aux entreprises de gagner du temps en termes de définition manuelle des seuils de performance acceptables et garantit également que notre solution offre un retour sur investissement rapide dans tout environnement d'entreprise complexe..

La préparation des données par les entreprises qui introduisent l'apprentissage automatique pose-t-elle un défi??

L'apprentissage automatique peut sembler d'une simplicité trompeuse. Il est facile de supposer que tout ce que vous avez à faire est de collecter les données et de les exécuter à l'aide d'algorithmes. La réalité est très différente. Une fois les données collectées, vous devez les regrouper. Vous devez déterminer s’il ya des problèmes. Votre algorithme doit pouvoir s'adapter aux données manquantes, aux données périphériques, aux données parasites et aux données qui ne sont pas en séquence..

Y a-t-il un gros problème pour l'apprentissage automatique du manque d'ensembles de données étiquetés publics??

Oui, car pour qu'un algorithme donne un sens à une collection de points de données, il doit comprendre ce que ces points représentent. En d’autres termes, il doit pouvoir appliquer des étiquettes préétablies aux données..

La disponibilité d'ensembles de données étiquetés publiquement aiderait beaucoup les entreprises à se lancer dans l'apprentissage automatique. Malheureusement, ils n'existent pas encore et sans eux, la plupart des entreprises envisagent un «démarrage à froid»..

Il y a un besoin de connaissance du domaine aussi, est-ce un autre défi?

Au mieux, l'apprentissage automatique représente le mariage parfait entre un algorithme et un problème. Par exemple, chez AppDynamics, nous appliquons des algorithmes de référence dynamiques pour garantir que nos clients soient alertés dès les premiers problèmes de performances des applications. Cela signifie que la connaissance du domaine - savoir ce qu'est un problème - est une condition préalable à une utilisation efficace de la technologie. Malheureusement, dans un certain nombre de cas d'utilisation de l'informatique d'entreprise, les connaissances sont constituées de silos au sein d'organisations, ce qui entraîne des poches de connaissances disparates dues à l'absence de contexte commercial..

Y a-t-il des changements culturels nécessaires pour qu'une organisation adopte avec succès le machine learning??

Les entreprises doivent accepter le fait qu’elles doivent évoluer plus rapidement en tant que secteur numérique. L’apprentissage automatique et l’automatisation sont des conditions préalables à la réussite. Les données sont au cœur de l'apprentissage automatique et les entreprises qui réagissent culturellement à l'importance de la visibilité en temps réel, fiable et exploitable rapidement, sont celles qui réussiront et prospéreront..

John Rakowski, spécialiste du marché pour la gestion de la performance des applications et l’analyse chez AppDynamics

  • Ce sont les 10 avancées les plus importantes en intelligence artificielle