Des hordes de droïdes démoniaques dotés d’émotions, prêts à sacrifier l’Homme à des fins de domination mondiale. Il ne s’agit pas du prochain blockbuster de Will Smith, mais de l’image qui pourrait s’imposer à l’esprit à l’évocation du Machine Learning.

Il s’agit pourtant d’une branche des statistiques. Le Prince de Bel Air s’efface d’un coup pour laisser place à votre comptable. En réalité, c’est un peu plus compliqué que ça. Ce sont des statistiques, certes, mais à l’échelle industrielle. Des algorithmes conçus pour traiter les trillions d’octets de données que nous produisons chaque jour. Pour s’adapter à l’ère de la Big Data en somme. Aussi simple que cela paraisse, cette technologie offre des possibilités inédites pour les entreprises et va considérablement changer notre quotidien.

Qu’est-ce que le Machine Learning ?

Le Machine Learning consiste donc à établir des statistiques à partir de millions de données. La véritable innovation réside dans la quantité de données recueillies et traitées. En effet, avec l’essor de la Big Data, les entreprises ont à leur disposition plus d’informations sur leurs clients, consommateurs, business et process que jamais auparavant. Elles disposent également d’une capacité de stockage et de traitement beaucoup plus rapide et moins coûteuse.

L’algorithme se nourrit de données et apprend à partir d’informations existantes donc. Il observe, détecte des signaux faibles et établit des corrélations qu’un œil humain, même exercé, ne pourrait pas voir. L’objectif pour une entreprise est donc de mettre en évidence des comportements chez ses clients et l’enchaînement d’actions ayant permis d’aboutir à ce comportement. Le tout de façon rapide et objective. Cela permet à l’entreprise d’anticiper, de prédire le comportement de futurs clients par simple effet de comparaison. Le but ultime étant de faciliter la prise de décision.

Le Machine Learning à l’œuvre

Très concrètement, ces algorithmes identifient des suites de données qui se répètent, des schémas en quelque sorte. Une fois qu’ils ont fait émerger ces schémas, ils sont capables de les détecter dans d’autres ensembles de données similaires.

Imaginez un site de e-commerce qui recueille les données de ses clients dans un tableau Excel. Chaque ligne du tableau correspond à un client. Chaque colonne à une variable : nom, prénom, sexe, âge, adresse email, historique d’achat, date de la dernière visite sur le site, nombre d’emails ouverts, pages visitées, etc.

À l’ère de la Big Data, la quantité astronomique de données rend ce tableau Excel illisible. D’où l’idée de mettre au point un algorithme qui l’analyse et fasse émerger des schémas précis. Le programme sera ainsi capable de détecter que 90% des visiteurs âgés de 25 à 30 ans, vivant en Île-de-France et ayant acheté le produit A au cours des 3 derniers mois ont également acheté le produit B. Lorsqu’une nouvelle ligne sera créée (nouveau client) dans le tableau, le système pourra l’analyser, comparer ses variables à celles des autres clients et prédire son comportement. Et continuer d’apprendre.

Ainsi, tous les nouveaux clients qui remplissent les critères que nous avons cités recevront automatiquement des suggestions personnalisées pour les pousser à acheter le produit B.

Et ce n’est qu’une des nombreuses applications possibles.

Machine Learning : quelles applications concrètes ?

Nous venons de voir que le Machine Learning est très efficace en matière de e-commerce. Que ce soit pour prédire et tenter d’influencer un achat, faire des suggestions personnalisées (cross-selling) et savoir quand un client va abandonner un panier ou se désabonner d’une newsletter.

De manière générale, le Machine Learning permet d’automatiser la qualification de prospects. En effet, en observant les comportements passés de ses clients, une entreprise est en mesure de déterminer à quel niveau de l’entonnoir de conversion se trouve un prospect. Ce qui lui permet ensuite de lui envoyer le bon contenu au bon moment afin que le prospect franchisse les différentes étapes de l’entonnoir jusqu’à la conversion.

Outre le e-commerce, le Machine Learning est applicable à de nombreux domaines.

Chatbots

C’est peut-être la première application qui vient à l’esprit. À l’origine, les chatbots étaient des bases de données dans lesquelles étaient rangées des séries de questions et les réponses correspondantes. Avec l’essor du Machine Learning, ces logiciels se sont perfectionnés et permettent aujourd’hui d’analyser des séquences de mots et de comprendre des demandes complexes.

Ils deviennent donc de plus en plus performants à mesure qu’ils traitent des requêtes similaires, ce qui donne l’illusion, in fine, de discuter avec un humain.

Banque et finance

En ce qui concerne les secteurs bancaire et financier, les utilisations sont également très claires. La plus évidente concerne l’évaluation rapide de la santé financière d’un client et des risques liés à l’octroi d’un crédit. Il suffit pour cela de comparer sa situation et ses variables à celles de clients n’ayant pas remboursé leurs prêts. Des banques ont également mis en place des systèmes de Machine Learning afin d’identifier les clients sur le point de clôturer leurs comptes.

En matière de trading, le Machine Learning peut également servir à prédire les fluctuations du cours d’une action sur le long terme. Le nombre d’indicateurs financiers rend en effet difficile l’évaluation objective par un analyste seul, d’où l’intérêt de ce genre d’algorithme.

Reconnaissance faciale

Comment un ordinateur pourrait-il reconnaître un visage ? Prenez le programme DeepFace sur lequel Facebook travaille depuis quelques années. Il permet de concevoir le modèle 3-D d’un visage à partir d’une photo. Il est ainsi capable d’obtenir des images d’un même visage sous des angles multiples.

Grâce au Machine Learning, le programme cherche ensuite des similitudes entre ce visage et d’autres photos qu’on lui soumet. Ainsi, l’angle de la photo, la lumière, la coupe de cheveux et autres variantes ne l’empêchent plus de reconnaître un visage.

Médecine

Vous avez certainement entendu parler de Watson, l’intelligence artificielle mise au point par IBM. Le géant américain prétend pouvoir aider hôpitaux et médecins à « améliorer la rapidité et la précision des diagnostics médicaux ». Watson est donc le pendant électronique du Dr House. Enfin une version plus rapide et plus objective.

Voici comment Watson fonctionne. Le système commence par ingurgiter des centaines de manuels de médecine et autant de revues spécialisées. Une fois ce savoir accumulé, il suffit de lui soumettre des résultats d’analyses médicales pour qu’il établisse un diagnostic crédible.

Un potentiel immense pour tous les secteurs d’activité

Le Machine Learning offre donc des possibilités inédites aux entreprises, quel que soit leur secteur d’activité. Nous avons parlé de e-commerce, de finance, de médecine, mais ce n’est pas tout. Le Machine Learning est également la technologie utilisée par les constructeurs automobiles pour leurs voitures autonomes.

De plus en plus d’entreprises se servent de cette technologie comme nouveau levier de croissance. Le hackathon est l’une des méthodes privilégiées pour accélérer l’innovation dans ce domaine et faire émerger de nouvelles applications. Découvrez comment nous pouvons vous aider à tirer profit du Machine Learning grâce nos hackathons en ligne.