Apprentissage automatique : la prochaine étape de l'analyse avancée

De meilleures prédictions et actions à partir des données massives.

L'avenir de l'apprentissage automatique, des données et de l'analyse prédictive

  • L'apprentissage automatique et l'analyse avancée permettent aux organisations d'aller au-delà de l'analyse descriptive rétrospective vers une aide à la décision autonome et tournée vers l'avenir.

  • Pratiquement toutes les industries peuvent bénéficier de l'apprentissage automatique et de l'analyse avancée. Chaque fois que de grandes quantités de données et de modèles prédictifs nécessitent un ajustement régulier, l'apprentissage automatique prend tout son sens.

  • L'apprentissage automatique offre un avantage concurrentiel, développant des machines qui ne reposent pas sur la détection, la description, l'intervention ou l'interaction humaine pour résoudre une nouvelle catégorie de décisions.

  • Paradoxalement, bien qu'elles permettent d'accéder à de nouveaux types d'informations, les applications d'apprentissage automatique peuvent coûter moins cher à exécuter que d'autres types d'analyses avancées.

author-image

Par

1. Une nouvelle dimension dans l'analyse prédictive

Dans le contexte économique de nos jours, toutes les activités d'entreprise deviennent des activités de données. Selon une étude menée par Forrester Consulting, 98 % des organisations ont déclaré que l'analyse était importante pour déterminer les priorités de l'entreprise, mais moins de 40 % des charges de travail tirent parti de l'analyse avancée ou de l'intelligence artificielle. L'apprentissage automatique offre aux entreprises un moyen d'extraire une plus grande valeur de leurs données pour augmenter leurs revenus, obtenir un avantage concurrentiel et réduire les coûts.

L'apprentissage automatique est une forme d'analyse prédictive qui fait progresser les organisations sur la courbe de maturité de l'intelligence d'affaires (Business Intelligence, BI), en passant d'une dépendance exclusive aux analyses descriptives axée sur le passé à une aide à la décision autonome et tournée vers l'avenir La technologie existe depuis des décennies, mais l'engouement suscité par de nouvelles approches et de nouveaux produits incite de nombreuses entreprises à la revoir.

Les solutions analytiques basées sur l'apprentissage automatique fonctionnent souvent en temps réel, ce qui ajoute une nouvelle dimension aux BI. Bien que les anciens modèles continueront à fournir des rapports et des analyses clés aux décideurs de haut niveau, l'analyse en temps réel apporte des informations aux employés « en première ligne » pour améliorer les performances heure par heure.

Dans l'apprentissage automatique, une branche de l'intelligence artificielle, les systèmes sont « entraînés » à utiliser des algorithmes spécialisés pour étudier, apprendre, prédire et faire des recommandations à partir d'énormes masses de données. Les modèles prédictifs exposés à de nouvelles données peuvent s'adapter sans intervention humaine, en apprenant des itérations précédentes pour produire des décisions et des résultats toujours plus fiables et reproductibles.

Au fil du temps, cette itération rend les systèmes « plus intelligents », de plus en plus capables de découvrir des informations cachées, des relations historiques et des tendances, ainsi que de révéler de nouvelles opportunités dans des domaines aussi variés que les préférences des consommateurs, l'optimisation de la chaîne d'approvisionnement ou la découverte de pétrole. Plus important encore, l'apprentissage automatique permet aux entreprises d'en faire plus avec les données massives et d'intégrer de nouvelles capacités telles que l'analyse d'internet des objets (IoT).

L'apprentissage automatique est une technologie d'analyse puissante qui est disponible dès maintenant. De nombreuses nouvelles solutions commerciales et à code source libre pour l'apprentissage automatique sont disponibles, ainsi qu'un riche écosystème pour les développeurs. Il est fort probable que votre organisation utilise déjà cette approche quelque part, par exemple pour le filtrage du pourriel. L'application plus large de l'apprentissage automatique et de l'analyse vous permet de réagir plus rapidement à des situations dynamiques et de rentabiliser davantage vos données, dont le volume ne cesse de croître.

2. L'analyse prédictive est partout

L'une des principales raisons de la popularité croissante des analyses avancées basées sur l'apprentissage automatique est qu'elles peuvent offrir des avantages commerciaux dans pratiquement tous les secteurs. Partout où de grandes quantités de données et de modèles prédictifs nécessitent un ajustement régulier, l'apprentissage automatique prend tout son sens.

Fournir des recommandations pour des livres, des films, des vêtements et des dizaines d'autres catégories est un exemple familier d'apprentissage automatique en action. Mais ce n'est pas tout.

Dans le commerce de détail, l'apprentissage automatique et le marquage RFID permettent d'améliorer considérablement la gestion des stocks. Le simple suivi des éléments de localisation d'un article est un grand défi, tout comme le fait de faire correspondre l'inventaire physique à l'inventaire comptable. Grâce à l'apprentissage automatique, les données utilisées pour résoudre ces problèmes peuvent également améliorer le placement des produits et influencer le comportement des clients  Par exemple, le système peut scanner le magasin physique pour repérer les stocks hors de leur emplacement afin de les déplacer, ou identifier les articles qui se vendent bien et les déplacer vers un endroit plus visible du magasin.

Lorsque l'apprentissage automatique est combiné avec des règles linguistiques, les entreprises peuvent analyser les réseaux sociaux afin de déterminer ce que les clients disent de leur marque et de leurs produits. Ça peut même trouver des schémas sous-jacents cachés qui pourraient indiquer une excitation ou une frustration à l'égard d'un produit particulier.

La technologie joue déjà un rôle crucial dans les applications impliquant des capteurs. L'apprentissage automatique est également essentiel pour les véhicules autonomes, où les données de plusieurs capteurs doivent être coordonnées en temps réel afin de garantir des décisions sûres.

L'apprentissage automatique peut aider à analyser les données géographiques pour découvrir des modèles qui peuvent prédire avec plus de précision la probabilité qu'un site particulier soit le bon emplacement pour produire de l'énergie éolienne ou solaire

Ce ne sont là que quelques-uns des nombreux exemples d'apprentissage automatique en action. C'est une technique éprouvée qui fournit de précieux résultats dès maintenant.

3. Avantage concurrentiel distinct

L'apprentissage automatique peut fournir aux entreprises un avantage concurrentiel en résolvant les problèmes et en découvrant des informations plus rapidement et plus facilement que l'analyse conventionnelle. C'est un outil particulièrement efficace pour apporter de la valeur dans trois types de situations.

La solution à un problème évolue avec le temps : le suivi de la réputation d'une marque via les réseaux sociaux en est un bon exemple. La démographie des plateformes individuelles change ; de nouvelles plateformes apparaissent. De tels changements créent des ravages et imposent des révisions constantes aux spécialistes du marketing qui utilisent des analyses basées sur des règles pour atteindre les bonnes cibles avec les bons messages. En revanche, les modèles d'apprentissage automatique s'adaptent facilement, fournissant des résultats fiables dans le temps et libérant des ressources pour résoudre d'autres problèmes.

La solution varie d'une situation à l'autre : en médecine, par exemple, les antécédents personnels ou familiaux d'un patient, son âge, son sexe, son mode de vie, ses allergies à certains médicaments et de nombreux autres facteurs rendent chaque cas différent. L'apprentissage automatique peut prendre en compte tous ces éléments pour fournir un diagnostic et un traitement personnalisés, tout en optimisant les ressources de santé.

La solution dépasse les capacités humaines : les gens peuvent reconnaître de nombreuses choses, comme des voix, le visage d'un ami, certains objets, etc. mais ils ne sont pas toujours capables d'expliquer pourquoi. Le problème ? Trop de variables. En passant au crible et en catégorisant de nombreux exemples, l'apprentissage automatique peut objectivement apprendre à reconnaître et à identifier des variables externes spécifiques qui, par exemple, donnent à une voix son caractère. (hauteur, volume, tons harmoniques, etc.)

L'avantage concurrentiel provient du développement de machines qui ne reposent pas sur la détection, la description, l'intervention ou l'interaction humaine pour résoudre une nouvelle classe de décisions. Cette capacité ouvre de nouvelles opportunités dans de nombreux domaines, notamment la médecine (dépistage du cancer), la fabrication (évaluation des défauts) et le transport (utilisation du son comme signal supplémentaire pour la sécurité routière).

4. Plus rapide et moins cher

Par rapport à d'autres approches analytiques, l'apprentissage automatique offre plusieurs avantages aux services informatiques (TI), aux scientifiques des données, à divers groupes de secteurs d'activité et à leurs organisations.

L'apprentissage automatique est agile et flexible avec de nouvelles données Les systèmes basés sur des règles fonctionnent bien dans des situations statiques, mais l'apprentissage automatique excelle lorsque les données changent ou sont ajoutées en permanence. En effet, cela élimine le besoin de modifier constamment un système ou d'ajouter des règles pour obtenir les résultats souhaités. Cela permet d'économiser du temps de développement et réduit considérablement le besoin de modifications majeures.

Les coûts du personnel pour l'apprentissage automatique sont généralement inférieurs à long terme par rapport à ceux de l'analyse conventionnelle. Au début, bien sûr, les entreprises doivent embaucher des spécialistes hautement qualifiés en probabilités, statistiques, algorithmes d'apprentissage automatique, méthodes de formation à l'IA, entre autres. Mais une fois que l'apprentissage automatique est opérationnel, les modèles prédictifs peuvent s'ajuster, ce qui signifie que moins d'humains sont nécessaires pour ajuster la précision et la fiabilité.

Un autre avantage est l'évolutivité. Les algorithmes d'apprentissage automatique sont construits en tenant compte du parallélisme et s'adaptent donc mieux, ce qui signifie finalement des réponses plus rapides aux problèmes des entreprises. Les systèmes basés sur l'interaction humaine ne sont pas aussi évolutifs. L'apprentissage automatique réduit au minimum le besoin de retourner constamment à des personnes pour des décisions.

Enfin, les applications d'apprentissage automatique peuvent coûter moins cher à exécuter que d'autres types d'analyses avancées. De nombreuses techniques d'apprentissage automatique s'adaptent facilement à plusieurs machines au lieu d'une seule plateforme haut de gamme coûteuse.

5. Introduction à l'apprentissage automatique  

Le succès du processus d'apprentissage automatique commence par l'identification d'un problème commercial où la technologie peut avoir un impact clair et mesurable. Une fois qu'un projet approprié est identifié, les organisations doivent déployer des spécialistes et choisir une technique appropriée pour enseigner aux systèmes comment penser et agir. Elles comprennent :

Apprentissage supervisé : le système reçoit des exemples d'entrées et de sorties, puis est chargé de former des règles générales de comportement. Exemple : les systèmes de recommandation de la plupart des grandes marques utilisent l'apprentissage supervisé pour améliorer la pertinence des suggestions et augmenter les ventes.

Apprentissage semi-supervisé : le système reçoit généralement une petite quantité de données étiquetées (avec la « bonne réponse ») et une quantité beaucoup plus importante de données non étiquetées. Ce mode possède les mêmes cas d'utilisation que l'apprentissage supervisé, mais est moins cher en raison du coût des données inférieures. C'est généralement le meilleur choix lorsqu'on s'attend à ce que les données d'entrée changent au fil du temps, comme dans le cas du commerce des matières premières, des réseaux sociaux ou des situations liées à la météo, par exemple.

Apprentissage non supervisé : ici, le système examine simplement les données à la recherche de structures et de modèles. Ce mode peut être utilisé pour découvrir des modèles qui autrement ne seraient pas découverts, tels que le comportement d'achat en magasin qui pourrait entraîner des changements dans le placement des produits pour augmenter les ventes.

Apprentissage par renforcement : dans cette approche, le système est placé dans un environnement interactif et changeant, se voit confier une tâche et reçoit un retour sous forme de « punitions » et de « récompenses ». Cette technique a été utilisée avec succès pour entraîner des robots d'usine à identifier des objets.

Quel que soit votre projet, la progression d'une organisation vers l'exploitation efficace de l'apprentissage automatique dans l'analyse dépend de la maîtrise de ces pratiques fondamentales. 

6. Intel : les processeurs puissants ne sont que le début

Intel aide les entreprises à mettre l'apprentissage automatique au travail dans des applications réelles qui exigent des performances à grande vitesse. Elle le fait grâce à une approche systémique qui comprend des processeurs, des logiciels optimisés et une assistance aux développeurs, ainsi qu'un vaste écosystème de partenaires industriels.

L'apprentissage automatique nécessite une puissance de calcul élevée. Les processeurs Intel® Xeon® fournissent une base de référence évolutive, et le processeur Intel® Xeon Phi™ est spécialement conçu pour les charges de travail hautement parallèles typiques de l'apprentissage automatique, ainsi que pour les besoins en mémoire et en structure (réseau) de l'apprentissage automatique. Lors d'un test Intel, ce processeur a permis de réduire de 50 fois le temps de formation du système.[f : https://software.intel.com/en-us/blogs/2016/06/20/how-xeon-phi-processors-benefit -machine-and-deep-learning-apps-frameworks] La technologie matérielle Intel intègre également des accélérateurs programmables et fixes, de la mémoire, du stockage et des capacités de mise en réseau.

De plus, Intel offre le support logiciel qui permet aux organisations informatiques de passer d'un problème commercial à une solution de manière efficace et efficiente. Cet assistance comprend :

  • Bibliothèques et langues avec des blocs de construction optimisés sur les processeurs Intel Xeon. Celles-ci incluent Intel® Math Kernel Library (Intel® MKL) et Intel® Data Analytics Acceleration Library (Intel® DAAL), ainsi que la distribution Intel pour Python*.
  • Des cadres optimisés pour simplifier le développement, notamment Apache Spark*, Caffe*, Torch* et TensorFlow*. Intel autorise les logiciels à code source ouvert et les logiciels commerciaux qui permettent aux entreprises de tirer parti des derniers processeurs et fonctionnalités système dès qu'ils sont disponibles dans le commerce.
  • Des kits de développement logiciel (SDK), notamment la technologie Intel® Nervana™, TAP et Intel® Deep Learning SDK. Cela fournit un ensemble d'interfaces d'application permettant au développeur de tirer immédiatement parti des meilleurs algorithmes d'apprentissage automatique.

En matière d'optimisation, Intel adopte plusieurs approches. Y compris l'encadrement des clients et des partenaires fournisseurs sur les moyens d'accélérer l'exécution de leur code d'apprentissage automatique sur le matériel Intel, ainsi que la mise en œuvre de certaines fonctions d'apprentissage dans le silicium, qui est toujours plus rapide.

Enfin, les ingénieurs d'Intel sont constamment sur le terrain, s'entretenant avec les responsables informatiques et des secteurs d'activité pour mieux comprendre comment l'analyse prédictive basée sur l'apprentissage automatique peut résoudre des problèmes commerciaux réels