1. L'apprentissage automatique : un élément de la stratégie de modernisation
Après des décennies de recherche en laboratoire, l'apprentissage automatique fait désormais l'objet d'une attention considérable pour toutes ses applications dans le monde réel qui exploitent la formidable puissance de cette technologie pour discerner des motifs dans d'énormes quantités de données de différents types et à une vitesse folle : détection de la fraude, portrait 360 degrés des consommateurs, reconnaissance faciale, gestion du flux de travail, personnalisation des achats, et bien plus encore.
Les retours pour telles initiatives peuvent être considérables. Cependant, l'apprentissage machine offre encore plus de possibilités dans la création de systèmes analytiques avancés qui tirent profit de la capacité inégalée de l'apprentissage automatique pour voir, organiser et exploiter des informations provenant de montages de données en constante croissance afin de libérer le plein potentiel transformateur des mégadonnées et de l'Internet des objets.
Pour passer au niveau supérieur de l'apprentissage automatique, les entreprises doivent élaborer une solide analyse de rentabilité, mettre en œuvre des algorithmes d'apprentissage machine pour la vitesse à grande échelle, utiliser des systèmes équipés de processeurs multicœurs intégrés ainsi que des sous-systèmes mémoire plus rapides, et finalement développer des architectures capables de gérer une quantité massive de données en temps réel.
Pour de nombreuses organisations, c'est le moment idéal de renforcer ou de débuter leur expérience d'apprentissage automatique, d'approfondir les connaissances, et de tirer profits et avantages concurrentiels de cette technologie sophistiquée d'analyse des données.
La première étape importante est de reconnaître que l'apprentissage automatique et l'analytique avancée sont des éléments fondamentaux de la révolution numérique.
2. Commencez par une analyse de la rentabilité (et commencez petit)
Alors que les entreprises progressent dans l'analytique avancée, les équipes informatiques devraient impliquer les décideurs des entreprises dans la première phase de recherche et développement. Il est probable que le volet commercial de l'entreprise envisage déjà de nouvelles façons d'obtenir de l'information. Beaucoup d'entreprises vont implémenter des applications analytiques et d'autres solutions dont elles ont besoin avec ou sans le soutien de l'équipe informatique. Par conséquent, travailler ensemble facilite le démarrage du projet et s'avère être à l'avantage de tous, encore plus lorsqu'il est question d'apprentissage automatique.
Cette technologie peut améliorer d'innombrables processus d'entreprise, mener au développement de nouveaux modèles d'affaires, produits et services, et aider à se concentrer sur les meilleures façons de prendre de nouvelles orientations surprenantes et rentables. Un partenariat solide entre l'équipe informatique et le côté commercial de l'entreprise facilitera le triage de toutes ces opportunités captivantes.
Une initiative d'apprentissage automatique réussie démarre avec une opportunité d'affaires ou un problème spécifique. Par exemple, Intel a développé une démonstration de faisabilité pour un projet d'apprentissage automatique permettant d'identifier les meilleurs revendeurs potentiels dans huit industries verticales réparties dans quatre régions du monde et dans huit langues. Les revendeurs ont été classés, et des profils ont été créés à l'aide d'un algorithme qui a extrait le contenu du site Web de chaque entreprise pour examiner les communications avec les clients. Cette analyse a permis de comprendre comment les revendeurs se commercialisaient. Grâce à cette information, le projet d'apprentissage automatique a permis à Intel de trouver des clients auxquels les départements des ventes et du marketing n'avaient pas pensé - une priorité pour toute entreprise.rganization.1
Les résultats ont été impressionnants. Après l'implémentation de la solution d'apprentissage automatique, deux fois plus de revendeurs sont passés de prospects à prospect qualifié. Le taux de clics sur les infolettres a triplé, et les revendeurs ciblés ont complété la formation Intel à un rythme trois fois plus élevé que les autres dans le pipeline des ventes.
Commencer par un projet dont les paramètres sont étroitement définis (ce qui se traduit en des mesures claires) peut favoriser le succès et l'enthousiasme pour l'apprentissage automatique. Cet enthousiasme peut rapidement se propager dans toute l'organisation, aiguisant l'appétit des membres de l'organisation pour des utilisations encore plus sophistiquées de l'analytique prédictive.
3. Cherchez de nouvelles sources de données
Plus encore que les autres types d'analytique, l'apprentissage automatique repose sur un volume élevé de données provenant d'une variété de sources. Étant donné les énormes quantités de données (généralement non structurées) nécessaires à son fonctionnement, il est essentiel de déterminer où les données seront créées, manipulées et stockées.
Les données en silos, incomplètes ou incorrectes doivent être traitées en même temps que le projet d'apprentissage automatique. Attendez-vous à passer du temps et à mettre les efforts nécessaires à l'élagage et au nettoyage des données afin de réduire les distorsions dans l'environnement d'analyse qui peuvent affecter la valeur des résultats.
Pourtant, l'un des avantages de l'apprentissage automatique est que les données n'ont pas besoin d'être aussi propres que lors des autres types d'analyse. Une autre avantage : l'apprentissage automatique peut augmenter le volume et la variété des mégadonnées, en choisissant de nouvelles sources plus larges et moins coûteuses que l'ensemble structurel initial.
Alors que l'entreprise intègre l'apprentissage automatique, analysez soigneusement la quantité de données nécessaires et les façons d'adapter et d'utiliser les ensembles de données actuels pour en maximiser la valeur. Recherchez de nouvelles sources de données, provenant souvent de l'extérieur de l'entreprise, comme des informations précises à propos de la météo, ou encore de l'emplacement et du mouvement des personnes et des produits.
Par exemple, si un annonceur détermine que des clients se déplacent en passant par un endroit avec une mauvaise réception cellulaire et un ciel couvert, ces derniers pourraient ne pas être très réceptifs à une publicité ciblée. En combinant toutes ces informations en même temps, l'efficacité des campagnes de marketing peut être considérablement améliorée.
Une approche prospective des sources de données permet aux experts de la science des données de livrer des résultats élevés grâce à une formulation minutieuse des problèmes, une analyse exploratoire des données et une modélisation des données, et ce même si la qualité des données n'est pas aussi élevée que vous ne l'auriez souhaité.
Ce qu'il faut retenir est que l'apprentissage automatique nécessite une réflexion approfondie sur les sources des données et les façons d'utiliser ces dernières.
4. Créez une solution de bout en bout
Afin d'implémenter l'apprentissage automatique avec succès, les entreprises ont besoin d'une infrastructure hautement flexible et évolutive (y compris pour le calcul, le stockage, la mémoire et le réseau) afin de développer, de former et de déployer l'apprentissage automatique et d'autres types d'analytique avancée.
Comme pour tout projet d'analytique, l'apprentissage automatique commence par la modernisation, ce qui implique de comprendre comment les besoins existants peuvent être pris en charge sans interruption lors de l'incorporation ou de l'ajout de nouvelles utilisations.
Les algorithmes d'apprentissage automatique implémentés pour la vitesse à l'échelle doivent être pris en charge par des systèmes dotés de plusieurs cœurs intégrés, des sous-systèmes avec mémoire plus rapide, et des architectures capables de paralléliser le traitement d'énormes quantités de données, comme les flux de capteurs en temps réel. Des architectures comme Apache Hadoop permettent aux entreprises de stocker des données à une échelle massive dans un format pleinement atomique, fournissant ainsi les points de données pour l'apprentissage machine et sa formation initiale.
Pour chaque projet, examinez soigneusement l'endroit où l'information sera formée et traitée. Cette démarche guidera les décisions sur la meilleure façon d'exploiter l'infrastructure existante et sur les choix d'intégrer des plateformes ou du stockage basés dans le nuage.
Approcher l'apprentissage automatique d'un point de vue intégrant une architecture bout en bout augmente vos chances de succès aujourd'hui, tout en préparant simultanément l'entreprise pour les futures utilisations de l'analytique avancée.
5. Intégrez l'apprentissage automatique dans les futurs plans d'analytique
L'apprentissage automatique peut sembler intimidant au début. Cependant, les adoptants de cette technologie qui ont le plus de succès considèrent celle-ci comme la voie à suivre en matière d'analytique avancée.
De façon générale, l'apprentissage automatique se concentre au début sur l'amélioration des capacités opérationnelles. Même lorsqu'une entreprise fait des progrès dans ce domaine, elle doit demeurer tournée vers l'avenir en développant les compétences pertinentes tout en envisageant comment l'apprentissage automatique peut générer de nouveaux revenus ou modèles d'affaires. Pensez aux avantages futurs apportés par l'apprentissage automatique, et ce même lors de votre première incursion dans cette technologie.
Cela peut impliquer l'expérience acquise avec des techniques d'apprentissage automatique comme « l'apprentissage en profondeur », qui imite le fonctionnement d'un cerveau humain. Aujourd'hui, les réseaux neuronaux profonds, une forme d'apprentissage automatique de pointe, sont utilisés pour la reconnaissance d'images, le traitement de vidéo et du langage naturel, ainsi que pour comprendre tous les indices visuels complexes nécessaire à la conduite autonome.
Cette utilisation des données est un élément clé de la maturité analytique d'une entreprise. La valeur des données peut uniquement être maximisée lorsque l'entreprise dépasse les systèmes traditionnels d'intelligence des affaires qui offrent des informations limitées au passé. Elles doivent choisir d'utiliser des méthodes analytiques plus avancées, qui font des prédictions et agissent sur ces dernières.
L'apprentissage automatique jouera donc de plus en plus un rôle de premier plan pour assurer la réalisation de ces tâches. Assurez-vous que l'apprentissage automatique est étroitement lié aux stratégies d'analytique et de mégadonnées de l'entreprise.
Comment Intel vous aide à démarrer votre parcours dans l'apprentissage automatique
Intel offre une variété de ressources et de technologies permettant de créer l'architecture robuste complète nécessaire à l'apprentissage automatique et à l'analytique. Intel s'associe aux intégrateurs de systèmes et aux fournisseurs de technologies pour vous proposer les cadres propriétaires et de source ouverte pour le stockage distribué et le traitement des mégadonnées.
Une large gamme de solutions propulsent l'apprentissage automatique dans les environnements Intel. Des acteurs de premier plan comme SAP, SAS, IBM et Oracle offrent des produits et capacités d'apprentissage automatique, contribuent grandement aux codes de source ouverte, tandis que Cloudera et d'autres fournisseurs importants offrent des solutions d'apprentissage automatique dans le nuage et en source ouverte.
Les systèmes standard peuvent être utilisés pour l'analytique avancée à l'aide de logiciels avancés. Alors que le volume des données augmente, le temps de traitement de certains algorithmes augmente de manière exponentielle, jusqu'à ce qu'il soit impossible de répondre aux besoins du client. Intel s'attèle à ce problème avec des cadres et des algorithmes d'apprentissage automatique.
L'utilisation de matériel spécialisé permet de faire passer l'apprentissage automatique au niveau supérieur. Le processeur Intel® Xeon Phi™ est le premier processeur hôte d'Intel, spécialement conçu pour les charges de travail hautement parallèles, pour être en mesure de prendre en charge l'échelle requise pour l'apprentissage automatique. Prenons par exemple AlexNet*, un réseau neuronal capable de faire de la reconnaissance d'image sophistiquée, mais qui expose les algorithmes d'apprentissage automatique à des millions d'images pour permettre au réseau de reconnaître les motifs et récurrences. Ce processus prend normalement plusieurs jours. Après l'installation du processeur Intel® Xeon Phi™, qui peut s'adapter à une approche quasi-linéaire à travers les cœurs et les fils, le temps de formation d'AlexNet* a été 50 fois réduit. 2
Alors que l'implémentation de l'apprentissage automatique devient un impératif pour les entreprises, ces dernières devront bâtir leurs infrastructures de manière à soutenir l'entreprise numérique.
L'Intel® Math Kernel Library (Intel® MKL) et Intel® Data Analytics Acceleration Library (Intel® DAAL) offrent les éléments de base des algorithmes d'apprentissage automatique. Ces bibliothèques sont parfaitement adaptées pour les performances élevées des processeurs Intel. MeritData Inc., l'un des principaux fournisseurs de technologies et de serivces d'analyse des mégadonnées en Chine, a utilisé ces ressources pour optimiser les multiples algorithmes d'exploration des données de l'entreprise, de 3 à 14.4x.3