Série sur l'innovation : Démystifier l'apprentissage automatique

Tom Mitchell, ancien président du département d'apprentissage automatique de l'université Carnegie Mellon, propose dans son livre une définition élégante de l'apprentissage automatique. Il suggère que "le domaine de l'apprentissage automatique s'intéresse à la question de savoir comment construire des programmes informatiques qui s'améliorent automatiquement avec l'expérience" Il existe aujourd'hui de nombreux types d'apprentissage automatique, mais celui qui est le plus largement utilisé pour les applications commerciales est l'apprentissage supervisé. L'apprentissage supervisé utilise des algorithmes tels que les régressions linéaires et logistiques, et la classification multi-classes, pour analyser une série de variables d'entrée (X) afin de produire une sortie (Y) par le biais d'une fonction de mise en correspondance, par exemple y=f(x). Le parallèle de l'apprentissage supervisé est celui d'un enseignant et d'un élève, l'élève étant formé sur un sujet par l'enseignant. L'apprentissage supervisé exige que les résultats possibles de l'algorithme soient connus et que les données utilisées pour former l'algorithme soient étiquetées avec les bonnes réponses. La majorité des applications d'apprentissage automatique supervisé impliquent généralement les étapes suivantes :

1. Rassembler l'ensemble des données à évaluer
2. Extraire l'ensemble des paramètres et des attributs pour soutenir les prédictions
3. Choisir l'algorithme d'apprentissage automatique
4. Entraînement du modèle
5. Effectuer des prédictions à l'aide du modèle déployé
6. Ajuster les paramètres pour affiner le modèle

Imaginez que vous travaillez dans le groupe FP&A d'un développeur d'applications mobiles et que vous essayez de prédire les ventes futures de diverses applications mobiles. De nombreuses variables telles que la plateforme supportée, le prix, la disponibilité mondiale, les scores des critiques en ligne et les avis des utilisateurs peuvent influer sur la rentabilité d'une application mobile, et c'est là que l'apprentissage automatique peut être utilisé pour prédire le succès. Tout commence par les données disponibles qui peuvent être utilisées dans un modèle. Plus il y a de données disponibles, plus l'algorithme d'apprentissage automatique a la possibilité d'établir une corrélation entre un ensemble d'attributs afin d'améliorer les prédictions futures. Au cours de la phase de formation du modèle, un algorithme d'apprentissage automatique est sélectionné et utilisé pour évaluer les données recueillies. Dans notre exemple, nous alimenterons le modèle avec des données contenant des attributs sélectionnés à partir d'un groupe d'applications mobiles qui sont apparues et nous les comparerons aux résultats prédits par le modèle. Les expériences peuvent être répétées en utilisant le même ensemble de données mais avec différents algorithmes d'apprentissage automatique afin de déterminer quel algorithme est le plus efficace pour prédire les résultats. Un modèle d'évaluation est créé une fois que la formation initiale du modèle est terminée et que nous sommes satisfaits de l'efficacité de l'algorithme choisi. Nous pouvons maintenant déployer le modèle d'évaluation pour faire des prédictions. La véritable magie ou l'aspect "apprentissage" se produit lorsque nous comparons les valeurs prédites par notre modèle d'évaluation aux valeurs réelles, telles qu'elles se présentent au fil du temps. Grâce à des ajustements progressifs, nous pouvons affiner les paramètres du modèle, augmenter ou réduire la résolution de l'ensemble de données, et le modèle d'évaluation peut réexécuter les prédictions pour déterminer si les ajustements des paramètres (et/ou des données) ont amélioré la précision de la prédiction. Dans l'ensemble, les applications d'apprentissage automatique complèteront et amélioreront considérablement les capacités des services financiers. Ces applications permettront non seulement de réaliser des analyses plus efficaces et d'élaborer des modèles prédictifs plus précis, mais aussi de donner confiance aux prévisions. Pour en savoir plus, cliquez ici.