Prendre des décisions plus intelligentes et plus rapides à partir d'ensembles de données en croissance constante
De nombreux problèmes opérationnels peuvent être incroyablement complexes, impliquant l'analyse d'ensembles de données extrêmement volumineux et variés. Les organisations sont souvent confrontées à des questions comme : « Le service informatique peut-il créer une application de détection du spam pour arrêter les messages indésirables qui étouffent les forums de la communauté de notre entreprise ? »
La réponse et les mesures à prendre concernant ces questions complexes qui nécessitent un traitement de données intensif peuvent dépasser les capacités des systèmes de veille stratégique (BI) et d'analyse basés sur des règles traditionnels. Ces approches ne sont pas suffisamment prospectives ou flexibles dans des environnements opérationnels dynamiques qui reçoivent un déluge de Big Data venant du cloud, de réseaux sociaux, d'appareils mobiles intelligents et de l'Internet des objets (IoT). Pour mieux comprendre et résoudre les défis en évolution rapide impliquant d'énormes quantités de données, les entreprises de tous les secteurs (des soins de santé à la banque, aux transports en passant par la fabrication, l'éducation, la vente au détail et plus encore) mettent à niveau leurs capacités d'analyse avec le Machine Learning.
Sous-ensemble de l'IA (intelligence artificielle), le Machine Learning utilise des algorithmes logiciels spécialisés qui « apprennent » et s'adaptent progressivement à mesure que les programmes passent en revue d'énormes ensembles de données. Ces exemples permettent à l'organisation de découvrir et d'agir sur des schémas, des informations et des tendances. Et cela produit de meilleurs résultats au fil du temps, sans intervention humaine. Ces avantages rendent le Machine Learning plus « grand public » chaque jour. Les ordinateurs qui apprennent pilotent un grand éventail d'applications : analyse de données IoT, surveillance de serveurs, publicité ciblée, reconnaissance des images, planification des routes, séquençage génétique, jeux vidéo, véhicules autonomes, exploration énergétique, reconnaissance faciale et bien d'autres.
Le Machine Learning produit des informations tirées des données et des décisions complexes et exploitables à partir d'ensembles de données extrêmement volumineux beaucoup plus rapidement et fiablement que l'analyse humaine, la veille stratégique traditionnelle ou d'autres approches utilisant l'IA. Le Machine Learning améliore l'efficacité opérationnelle, renforce la sécurité et donne naissance à des innovations basées sur des données qui aboutissent à des produits et à des services adaptés au comportement des clients.
Créez des processus opérationnels internes plus intelligents
D'après une étude récente menée par Bain & Company, les entreprises qui utilisent le Machine Learning et l'analytique sont deux fois plus susceptibles de prendre des décisions qui s'appuient sur des données, cinq fois plus susceptibles de prendre des décisions plus rapidement que leurs concurrents, trois fois plus susceptibles d'appliquer ces décisions plus rapidement, et deux fois plus susceptibles d'avoir des résultats financiers dans le quartile supérieur. Pour de nombreuses organisations, l'ascension sur la courbe de maturité de l'intelligence opérationnelle avec le Machine Learning commence par l'utilisation du Machine Learning pour améliorer les processus opérationnels internes clés.
Voici quelques exemples de haut niveau :
Amélioration de l'embauche et des performances des employés : une entreprise de restauration rapide mondiale utilise le Machine Learning pour obtenir des informations sur l'acquisition de talents, leur rétention et les performances des employés. Cette « analytique du personnel » fournit des informations approfondies sur les données des RH à l'aide de techniques de modélisation prédictive sur de nombreuses sources de données intégrées.
Marketing personnalisé : une importante banque italienne a créé un système d'analyse cognitive pour analyser les données des clients et trouver des zones de possibilités cachées. Cette approche a permis de produire un programme de marketing sortant ciblé qui a considérablement amélioré les conversions.
Devis personnalisés : un éditeur de logiciels mondial de premier plan utilise un système de génération de devis informatisé qui s'appuie sur le Machine Learning pour adapter des options précises et ciblées pour chaque client et chaque prospect. La société bénéficie de prévisions plus précises et plus ciblées, car le Machine Learning s'intègre aux systèmes de gestion des relations avec la clientèle (CRM) et de planification des ressources de l'entreprise (ERP).
Médecine personnalisée : de plus en plus de fournisseurs de soins de santé utilisent le Machine Learning dans une approche de la médecine de précision qui s'appuie sur les données pour identifier les options de traitement les plus rentables et les plus personnalisées.
Le Machine Learning entraîne la réforme des activités de nombreux adopteurs précoces dans les soins de santé et d'autres secteurs grâce à de nouvelles découvertes et en améliorant l'efficacité, les produits services et l'expérience des clients.
1. L'informatique peut-elle créer une application de chasse au Spam pour arrêter les affichages indésirables ?
Un des points forts du Machine Learning, la capacité de discerner les schémas inhabituels dans de vastes pools de données dans des conditions en rapide évolution, fait que cette technologie est bien adaptée à une détection et à une atténuation rapides dans le domaine de la sécurité. Par exemple, les algorithmes de Machine Learning recherchent des schémas dans l'accès aux données du Cloud et rapportent les signes avant-coureurs de violations de sécurité. Les processeurs de paiements utilisent des algorithmes d'apprentissage pour suivre les habitudes d'achat des utilisateurs de cartes de crédit et de débit, en indiquant des montants d'achat inhabituels ou des interactions avec des commerçants ou dans des régions qui suggèrent une fraude éventuelle.
Intel Corporation, par exemple, utilise les techniques de Machine Learning pour examiner et arrêter les messages indésirables sur le site Web des forums de communautés qui desservent les clients, les partenaires et les employés. Un des plus grands forums d'Intel a été inondé par des messages indésirables pouvant compter jusqu'à 10 000 par jour.
La solution habituelle qui consiste à faire appel à des modérateurs bénévoles pour supprimer les messages indésirables, ne pouvait pas être mise à l'échelle et prenait trop de temps au personnel. Il n'était pas non plus possible d'utiliser des filtres pour arrêter cet afflux. Et la croissance omniprésente de nouveaux robots de spam a rendu de plus en plus difficile de définir une règle universelle pouvant bloquer un mot ou une phrase donné. S'agissait-il d'un message faisant la promotion d'un casino offshore ou d'un message envoyé par un des clients de l'industrie du divertissement d'Intel ?
Frustré, le groupe informatique d'Intel a trouvé une autre solution. La société avait déjà fait appel à l'automatisation dans de nombreux domaines, comme dans la surveillance de l'état des PC et dans les processus de fabrication. Comme l'automatisation avait amélioré l'efficacité et l'efficience dans ces domaines, pourquoi ne pas utiliser le Machine Learning dans le contrôle autonome du spam ? À l'aide de techniques de Machine Learning sophistiquées, les ingénieurs d'Intel ont construit un service de filtrage du spam qui bloque automatiquement les messages indésirables et malveillants. L'analytique de texte permet au système de détecter des grossièretés et du contenu répréhensible dans 75 langues. Et le moteur de réputation surveille le profil des utilisateurs pour déterminer la probabilité qu'une source de données soumette du spam.
Les attaques ont chuté immédiatement après la mise en place du programme d'Intel et les niveaux de spam sont restés gérables depuis. Les pics de messages indésirables ont tous disparu, grâce à la capacité du service d'apprendre de manière dynamique et de bloquer les messages indésirables.
2. Comment pouvons-nous utiliser plus intelligemment les capteurs ?
Pour de nombreuses entreprises, l'utilisation la plus rentable du Machine Learning consiste à donner du sens et à exploiter le fleuve de données provenant de milliers de milliards de capteurs et d'appareils connectés à l'Internet des objets (IoT) et à l'Internet des objets industriels (IIoT). Au cours de la dernière année, les constructeurs d'automobiles et fabricants d'outils, les entreprises pharmaceutiques, les opérateurs de flotte et les entreprises d'autres secteurs ont commencé ou étendu l'utilisation du Machine Learning et de l'analytique dans l'IoT afin d'établir une fondation pour la fabrication autonome.
Par exemple, Siemens AG, dans la première étape de construction d'une usine de fabrication autonome, a créé un écosystème Internet des objets ouvert basé sur le Cloud appelé MindSphere*. Cette plateforme numérique robuste capte, stocke et analyse les données générées par des systèmes et des capteurs de contrôle de la fabrication installés sur les équipements connectés par le biais de l'IoT1. Siemens utilise le Machine Learning pour étudier ces données et analyser l'ensemble de la chaîne d'approvisionnement. Ainsi, le géant industriel international détermine où apporter sur la chaîne de fabrication les améliorations sont les plus bénéfiques à l'entreprise. Ces « données intelligentes » fournissent aux gestionnaires de Siemens des informations exploitables qui améliorent la durée de disponibilité des équipements et l'efficacité des opérations de production.
Le Machine Learning et l'analytique sont la fondation même de la fabrication autonome, dans laquelle pratiquement tous les processus s'appuieront finalement sur le numérique et seront hautement automatisés. La maturation rapide des algorithmes d'apprentissage a permis aux fabricants de recueillir, de stocker et d'analyser d'énormes quantités de données en temps réel et de transformer ces données en ensembles d'informations exploitables. Plus important encore, le Machine Learning aide les entreprises à devenir plus intelligentes en ajoutant des appareils proactifs équipés d'un Machine Learning dynamique de leur environnement, de leurs utilisateurs et de leurs antécédents pour aider les analystes à prendre des décisions opérationnelles.
3. Pouvons-nous agréger les antécédents financiers de beaucoup de gens pour aider à détecter la fraude ?
L'amélioration des processus opérationnels actuels n'est que la première étape permettant de tirer parti du Machine Learning. Les informations jusqu'alors impossibles à obtenir que cette approche fournit peuvent ouvrir la porte à de nouveaux produits et services, et à de nouveaux moyens de mener ses activités. Elles peuvent transformer des industries entières.
Prenez par exemple le secteur de la vente au détail. Les magasins en dur s'efforcent constamment de se réinventer alors qu'ils rivalisent leurs homologues et les magasins en ligne. Les experts indiquent que, pour réussir (et survivre), un magasin de détail doit mettre en place un mélange hautement personnalisé de ventes en ligne et en magasin. Une entreprise de vente au détail a reconnu qu'une bonne connaissance de ce qui intéresse les clients (et la présentation aux clients de ces produits au bon moment) élimine beaucoup de frictions dans le processus de vente. Cela nécessite un mélange d'appareils connectés et de logiciels d'analytique2.
L'entreprise a créé application qui utilise des capteurs en magasin et le Machine Learning pour capter et analyser les préférences de style et les tendances d'achat des clients afin de guider les concepteurs de vêtements.
Une autre application du détaillant aide à ajouter des options aux vêtements que les clients ont déjà achetés en proposant d'autres articles basés sur l'objet initial. Si un client achète une chemise sur le site de commerce électronique de la marque, la plateforme basée sur l'IA propose un menu de vêtements et d'accessoires supplémentaires pour « compléter le look ». Cette approche améliore considérablement les recettes au point de vente. En effet, le détaillant fournit actuellement 4,5 millions de recommandations aux clients chaque jour. Les capteurs et les applications de filtrage d'options fournissent au revendeur une quantité énorme d'informations précieuses sur les préférences et le comportement des clients qui sont utilisées pour personnaliser et améliorer les ventes et le service.
Alors que les détaillants de premier plan se concentrent sur le Machine Learning et l'analytique, il est clair que les données deviennent un moteur alors que l'ensemble du secteur s'efforce de se transformer. Cette tendance va probablement se confirmer, car des détaillants comme Lowe's* Home Improvement et les magasins d'alimentation Amazon* Go déploient des robots chargés de capteurs qui vérifient les rayons en temps réel pour optimiser les stocks. L'exemple de vente au détail montre les possibilités qu'offre le Machine Learning. La différence entre les entreprises qui adoptent cette technologie et celles qui ne le font pas déterminera celles qui deviennent des disrupteurs de l'industrie et celles qui échouent et subissent la disruption.
Comment Intel aide à réaliser les avantages du Machine Learning
Le Machine Learning et l'analytique des données contribuent à rendre les entreprises plus intelligentes, plus rapides, plus efficaces et plus novatrices. De meilleures décisions plus rapides et en temps réel apportent des améliorations opérationnelles et de nouveaux produits et modèles d'entreprise qui offrent un véritable avantage concurrentiel. Qu'une entreprise commence tout juste par un pilote de Machine Learning ou qu'elle ait entrepris des projets d'analytique plus ambitieux et plus avancés, Intel propose de nombreuses ressources et technologies qui contribuent à créer l'architecture robuste de bout en bout qu'exigent les technologies de Machine Learning.
Le portefeuille optimisé pour les performances et l'écosystème riche en solutions d'Intel prennent en charge la progression de l'analytique avancée du Machine Learning. Pour cela, Intel forme des partenariats avec les principaux intégrateurs technologiques et fournisseurs de systèmes qui fournissent la structure de stockage et de traitement distribuée du Big Data.
Les experts de l'entreprise et des partenaires expérimentés aident les entreprises à prendre les meilleures décisions sur un large éventail de technologies de Machine Learning et de besoins d'implémentation.
En conclusion, le Machine Learning dans l'analytique est arrivé. Intel a prouvé la valeur du Machine Learning, tant dans ses propres activités que dans celles de ses clients et partenaires.