Nous recrutons: Tu es un IT qui souhaite travailler en Node, Python, Serverless et Cloud dans l'IA ?

Blog

Group-4 2

Machine Learning, des données à l’analyse prédictive.

Nouvelle Technologie

Machine Learning, des données à l’analyse prédictive.

Ce domaine est aujourd’hui en plein essor, quelles sont les principales stratégies utilisées dans le domaine de l’analyse prédictive ? Quels sont les prérequis pour se former à cette discipline prometteuse.

La fin des algorithmes ?

Une application d’un domaine de recherche aujourd’hui en plein essor : le « machine learning » (ML ou « apprentissage automatique »). L’engouement récent pour cette discipline tient en grande partie à une observation qui a surpris les spécialistes en IA eux-mêmes :

« L’utilisation conjointe de quantités massives d’informations et d’algorithmes d’apprentissage relativement simples rend possible la solution de problèmes considérés il y a peu comme inaccessibles. »

L’analyse prédictive d’un panier d’achat d’un consommateur est sans doute l’usage le plus commun. La détection de fraude dans les transactions bancaires ou l’estimation du risque de non-remboursement d’un prêt en fonction du passé financier d’un demandeur de crédit sont d’autres exemples. Les technologies de reconnaissance de forme au sens large, comme la reconnaissance optique de caractères (OCR) ou celle des visages, la reconnaissance du langage naturel ou la traduction automatique relèvent toutes du ML.

Dans le champ des études sociales, citons l’analyse de sentiments qui cherche à classer des documents selon leur tonalité émotionnelle dominante. Dès lors, plutôt que de chercher à peaufiner des algorithmes sophistiqués, l’approche par le ML fait le pari qu’il est possible de construire des systèmes autonomes que l’on pourra « éduquer » sur la base d’un corpus d’exemples pertinents.

Quelques lignes techniques en ML

Pour prédire un phénomène, deux possibilités se présentent. La première, celle qu’utilise un chercheur, consistera à comprendre ce mécanisme causal en élaborant un modèle explicatif. La seconde, utilisée dans le ML et en statistiques. Elle cherche à simplement à découvrir des corrélations significatives et trouver un modèle prédictif. Les deux principales stratégies pour y parvenir sont les suivantes.

L’apprentissage supervisé

Dans lequel on cherche une relation optimale entre plusieurs variables numériques, est ce que l’on appelle en statistique un problème de régression. Son principal mérite pour nous est de servir d’illustration de quelques concepts du ML dans un contexte élémentaire.

Un exemple plus significatif de ML consiste par exemple à chercher à savoir si un emprunteur potentiel, dont on connait les revenus, l’âge et le taux d’épargne fait partie ou non des clients à risque. On cherche donc à prédire l’appartenance d’un individu à une catégorie plutôt qu’une caractéristique numérique, mais le principe reste le même.

L’apprentissage non-supervisé

Contrairement à l’AS qui cherche à optimiser les paramètres d’un modèle, restreignant ainsi la recherche d’une solution optimale, les techniques de l’ANS ne présupposent rien, si ce n’est que des observations similaires ont des significations voisines. Dans les situations où aucun modèle n’est disponible à priori l’ANS sera donc une approche à privilégier.

Du ML chez Young App

La stratégie de Young App est de produire des applications nouvelles avec des technologies 3.0 et d’avenir. Nous travaillons sur des technologies de Machine Learning et de Big Data afin de résoudre des problématiques de classifications de données supervisées (AS).

Nos applications sont pensées pour être évolutives. Chez Young App l’innovation est un terme très récurrent au sein de nos projets.