Mis à jours 2 novembre 2017 L’apprentissage automatique, une approche et un ensemble de technologies utilisant des concepts d’intelligence artificielle, est directement lié à la reconnaissance de formes et à l’apprentissage informatique. C’est un vieux concept, défini en 1959 permettant aux informaticiens d’obtenir la capacité d’apprendre sans reprogrammer.
L’apprentissage automatique était autrefois hors de portée de la plupart des budgets d’entreprise, mais aujourd’hui, la capacité des fournisseurs de cloud public à offrir des services d’apprentissage automatique rend cette technologie abordable. Alors, qu’apportent l’apprentissage automatique et sa pertinence aux besoins de développement et de déploiement informatiques actuels, en particulier pour ceux qui travaillent dans un environnement cloud.
Qu’est-ce que l’apprentissage automatique ?
L’apprentissage automatique concerne en réalité l’étude des algorithmes qui ont la capacité d’apprendre à travers des modèles et, à partir de là, de faire des prédictions par rapport aux modèles de données. C’est une meilleure alternative de tirer parti des instructions de programme statiques et de faire plutôt des prédictions ou des décisions basées sur des données qui s’amélioreront avec le temps sans intervention humaine ni programmation supplémentaire.
L’apprentissage automatique pourrait changer la donne pour l’entreprise.
L’une des préoccupations, alors que l’apprentissage automatique devient plus abordable grâce à l’utilisation des plate-formes cloud, est que la technologie sera mal appliquée. Cela semble déjà être un modèle, car les fournisseurs de cloud favorisent l’apprentissage automatique comme s’il possède une grande valeur. Cependant, cette valeur ne sera pas réalisée si l’apprentissage automatique est appliqué à des systèmes qui ne peuvent pas bénéficier de prédictions basées sur des modèles trouvés dans les données.
Alors, quelle est la ligne de fond avec l’apprentissage automatique et le cloud ? Il y a de la valeur réelle pour les entreprises, si elle est correctement appliquée. Les entreprises à la recherche des applications pour cette technologie peuvent trouver que, dans certains cas, l’apprentissage automatique pourrait changer la donne pour l’entreprise.
Trouver des cas d’utilisation de l’apprentissage automatique
Les applications d’apprentissage automatique ont été largement promues comme étant les systèmes de construction ultimes capables de fournir une meilleure valeur aux entreprises. Cependant, l’apprentissage automatique s’adapte mieux aux types d’applications spécifiques qui bénéficieront le plus de cette technologie, comme la détection de la fraude, le marketing prédictif, la surveillance des machines (pour l’Internet des objets) et la gestion des stocks.
Gardez à l’esprit que tous les modèles d’apprentissage automatique ne sont pas identiques. Ils fournissent différents modèles de solution. La plupart des fournisseurs de cloud, notamment AWS, Google et Amazon, prennent en charge trois types de prédictions. Ils ont des noms différents, mais ils se résument à trois :
- Prédiction binaire
- Prévision de catégorie
- Prédiction de valeur
Explorons les cas d’utilisation potentiels avec chacun d’eux.
- Les prédictions binaires traitent des réponses oui ou non. Dans les cas d’utilisation, il peut être utile d’évaluer les données dans les commandes susceptibles de suggérer une fraude ou de décider quand il est utile d’essayer de “vendre” les produits à un client en fonction des suggestions d’un moteur de recommandation.
Les types d’applications utilisés pour ces types de prédictions sont plus nombreux que les autres types de prédictions, étant donné que les réponses sont beaucoup moins complexes : oui ou non. Ainsi, ces types de cas d’apprentissage automatique se retrouvent souvent dans les processus métiers tels que le traitement des commandes, les systèmes de vérification de crédit et les moteurs utilisés pour recommander des vidéos, de la musique ou d’autres produits aux utilisateurs.
- La prédiction de catégorie signifie que nous sommes capables de regarder un ensemble de données et, en fonction des informations apprises, de placer cette information dans une catégorie particulière. Ceci est utile lorsque différents types de données sont analysés et qu’une catégorie doit être appliquée pour que les données puissent être mieux comprises et traitées.
Par exemple, les compagnies d’assurance placent différentes réclamations dans des catégories spécifiques, basées sur ce qui a été appris au cours des années. Un autre exemple serait de définir la cause probable d’un accident, même si l’information ne fait pas partie des données, par exemple « probablement alcool impliqué », « probablement frauduleuse » ou « probablement liée aux conditions météorologiques ». Le système de l’apprentissage automatique fait ces affectations en fonction de l’apprentissage antérieur, comme l’heure à laquelle l’accident s’est produit, l’emplacement, le type de dommage subi, l’âge du conducteur, etc.
Les prédictions de catégorie peuvent fonctionner avec de nombreux types d’applications, par exemple lorsque nous devons ajouter une signification supplémentaire aux données et que les données de corrélation directe ne se trouvent pas dans la base de données existante. La finance, la fabrication et le commerce de détail sont tous des secteurs verticaux qui peuvent utiliser ce type de technologie.
- Les prédictions de valeur sont plus complexes mais aussi plus perspicaces. Elles vous parlent quantitativement des résultats probables des données recueillies, encore une fois, à partir de l’utilisation de modèles d’apprentissage pour trouver des modèles dans les données.
Disons que nous voulons savoir combien d’unités d’un produit sont susceptibles d’être mis en vente le mois prochain. C’est une bonne information à connaître, car elle nous permet de faire des plans de fabrication plus serrés et peut-être d’économiser sur les déplacements, car les vendeurs font le suivi des pistes.
Le but est de placer ces types de prédictions dans des systèmes qui peuvent trouver cette information de valeur, tels que la planification et les systèmes financiers. En outre, ils peuvent faire partie d’un tableau de bord de gestion, de sorte que ceux qui prennent des décisions critiques dans l’organisation sont plus susceptibles de trouver cette information de valeur.
L’apprentissage automatique est le mieux adapté aux types d’applications spécifiques, tels que la détection de la fraude, le marketing prédictif, la surveillance des machines (pour l’Internet des objets) et la gestion des stocks.
L’apprentissage automatique dans le cloud : qu’est-ce qui est disponible aujourd’hui ?
De nombreux systèmes d’apprentissage automatique open-source et propriétaires, existants depuis des années, prennent en charge les types de prédictions décrits ci-dessus. Cependant, le coût de ces systèmes, en termes de matériel et de logiciel, était jusqu’à récemment hors de portée pour la plupart des entreprises. De plus, même si une entreprise pouvait se le permettre, elle n’avait généralement pas le talent nécessaire pour concevoir les modèles de prédiction ou traiter la science des données requise.
Adopter des solutions d’apprentissage automatique basées sur le cloud auprès des trois grands fournisseurs de cloud public : Google, AWS et Microsoft. Ils sont très différents les uns des autres mais partagent certains points communs, avantages et limites.
Les avantages des systèmes d’apprentissage automatique disponibles
Ces systèmes sont peu coûteux à exploiter. En moyenne, vous ne devez payer que quelques dollars de l’heure pour conduire votre propre application d’apprentissage automatique, comme celles décrites ci-dessus.
Les cloud publics fournissent également un stockage de données bon marché. Vous pouvez tirer parti de véritables bases de données ou systèmes de stockage en tant qu’entrées de données dans les applications de l’apprentissage automatique activé.
Enfin, ils fournissent tous des SDK (kits de développement de logiciels) et des APIs qui vous permettent d’intégrer la fonctionnalité d’apprentissage automatique directement dans les applications, et ils prennent en charge la plupart des langages de programmation. La vraie valeur de la technologie d’apprentissage automatique est son utilisation à l’intérieur des applications, car les prédictions sont plus axées sur les opérations et les transactions, par exemple, la capacité de déterminer en temps réel si une demande de prêt est probablement frauduleuse et fournir un processus permettant de traiter immédiatement le problème, en permettant éventuellement au demandeur de corriger les erreurs et de les soumettre à nouveau.
Les désavantages
Les systèmes d’apprentissage automatique sur des cloud publics particuliers sont à peu près liés à ces clouds. Donc, si vous utilisez un système d’apprentissage automatique sur le cloud A, le mécanisme de stockage de données sur le cloud A sera généralement pris en charge de manière native. Toutefois, votre base de données d’entreprise n’est pas prise en charge à moins que vous n’apportiez l’intégration de données entre votre système de stockage de données sur les sites et celui dans le cloud.
Ainsi, la valeur clé pour le fournisseur de cloud est claire : si vous, le client, cherchez à tirer parti du système d’apprentissage automatique, alors vous voudrez probablement profiter des systèmes de stockage natifs et des bases de données natives. En outre, les applications fonctionnent mieux sur la plate-forme cloud si elles communiquent fréquemment avec les modèles d’apprentissage automatique qui, à leur tour, communiquent souvent aux données.
Bien sûr, si vous cherchez à déplacer les données, les applications et les autres processus vers le cloud, tout va bien. Le système d’apprentissage automatique est accessible en tant que service cloud natif. Mais si vous travaillez avec des déploiements hybrides ou multi-cloud – et la plupart d’entre nous le sont -, la séparation des données du moteur d’apprentissage automatique posera un problème en termes de performances, de coût et de facilité d’utilisation. De toute évidence, l’apprentissage automatique pourrait être un leader de la perte conçu pour associer plusieurs entreprises au cloud.
Apprendre à faire des systèmes qui apprennent
Bien que l’apprentissage automatique soit vendu comme un nouvel outil brillant, c’est en fait une technologie qui évolue depuis des années. L’économie informatique actuelle nous permet de considérer la puissance de l’intelligence artificielle, et les instances de l’intelligence artificielle de l’apprentissage automatique, pour enfin apporter de la valeur à l’entreprise.
Quelques événements nous ont amenés à ce point.
- Tout d’abord, la montée en puissance du stockage de données bon marché, cloud et non-cloud, qui rend les mêmes ensembles de données massives disponibles à partir de la même source.
- Deuxièmement, la puissance dont nous disposons pour traiter les données, à la fois en termes de puissance de traitement pure, de stockage et de nouvelles architectures d’une masse importante de données telles que Hadoop.
- Troisièmement, l’utilisation de l’apprentissage automatique et d’autres services formellement coûteux, maintenant fournis comme des services de cloud bon marché qui peuvent être loués pour quelques centimes par heure, dans certains cas.
Cependant, les systèmes d’apprentissage automatique doivent être créés et gérés par ceux qui comprennent l’apprentissage automatique et les décisions dictées par les données. Les limites ne sont pas dans la technologie, mais dans le nombre limité de personnes qui peuvent le comprendre et l’utiliser. Le problème des compétences sera beaucoup plus long à résoudre, mais lorsque nous le résoudrons, nous examinerons une technologie qui peut vraiment changer la donne pour la plupart des entreprises.
