Les dix usages les plus courants du Machine Learning en entreprise

Le Machine Learning (ou apprentissage statistique ou automatique), jadis pur objet mathématique, fait désormais partie du quotidien à l’heure où, dans quasiment tous les secteurs verticaux, les entreprises implémentent des technologies ML.

Les médecins spécialisés recourent au Machine Learning pour établir des diagnostics précis et traiter leurs patients. Les enseignes utilisent le ML pour livrer les bonnes marchandises au bon magasin au bon moment. Et les chercheurs y font appel pour développer de nouveaux médicaments efficaces.

Ce n’est là qu’un infime échantillon des cas d’usage que l’on voit apparaître, car tous les secteurs (énergie et services publics, tourisme, hôtellerie et restauration, industrie et logistique) exploitent de plus en plus le Machine Learning.

Sous-domaine de l’intelligence artificielle, le machine learning se fonde sur des algorithmes pour donner aux ordinateurs la capacité « d’apprendre » à partir des données et d’identifier des modèles : une capacité dont les entreprises peuvent tirer parti de plusieurs façons.

Selon les experts, le Machine Learning permet aux entreprises de réaliser des tâches d’une ampleur et d’une portée jusque-là inatteignables. Il accélère la cadence de travail, diminue le risque d’erreur et améliore la précision, aidant ainsi les employés comme les clients. De plus, les entreprises férues d’innovation trouvent des moyens de maîtriser le Machine Learning pour non seulement favoriser l’efficacité, mais aussi pour créer des opportunités commerciales qui les aideront à se démarquer de la concurrence.

Bruce Guptill

« Le Machine Learning améliore presque toujours l’automatisation des fonctions et des processus en permettant une adaptation fonctionnelle face à des conditions fluctuantes », déclare Bruce Guptill, directeur de la stratégie chez Addressable Markets, et membre de la communauté d’analystes indépendants The Analyst Syndicate.

Voici 10 applications de Machine Learning visant à résoudre des problèmes métier et à obtenir des avantages concrets :

1. Agents chatbot en temps réel

Première forme d’automatisation, les chatbots sont le symbole de l’interaction homme-machine. Ils permettent aux personnes de converser avec des machines capables d’agir en fonction des requêtes ou des besoins exprimés vocalement par des humains. Lors de la première génération, les chatbots suivaient des règles de script qui leur indiquaient l’action à réaliser en fonction de mots clés.

L’apprentissage automatique et le traitement du langage naturel (NLP), qui fait aussi partie des technologies d’intelligence artificielle, permettent aux chatbots de devenir plus interactifs et plus productifs. Les tout derniers chatbots répondent mieux aux besoins des utilisateurs et conversent de plus en plus à la façon des êtres humains.

Lian Jye Su

« Les assistants numériques, tels que Siri, Google Assistant et Alexa, reposent sur des algorithmes d’apprentissage automatique, et cette méthodologie pourrait bien se retrouver dans les nouvelles plateformes de service et d’engagement client qui ont pris la place des chatbots traditionnels », explique Lian Jye Su, chef analyste chez ABI Research.

Les chatbots figurent parmi les applications de Machine Learning les plus courantes. Voici quelques exemples :

• La solution Watson Assistant, dont IBM met en valeur les « réponses rapides et simples », est programmée de manière à clarifier si besoin la nature des questions ou à transmettre la demande à un humain.
• Le bot de la plateforme de streaming musical intégrée à Facebook Messenger permet aux utilisateurs d’écouter, de rechercher et de partager des morceaux de musique, voire de recevoir des suggestions.
• Les utilisateurs commandent leurs courses par le biais des plateformes de chat ou des services vocaux, puis reçoivent des demandes d’images de l’immatriculation et du modèle de la voiture, afin d’identifier le véhicule. L’utilisateur prend les photos, les envoie et donne l’autorisation au livreur d’ouvrir la serrure intelligente de son véhicule, qui peut ainsi laisser les courses dans le coffre sous le regard d’une caméra. Un dispositif qui se démocratise de plus en plus aux États-Unis.

2. Aide à la décision

L’aide à la décision est un autre domaine dans lequel le Machine Learning peut intervenir pour transformer la pléthore de données dont les entreprises disposent en informations exploitables et en valeur ajoutée. Dans ce cas, les algorithmes entraînés sur les données historiques et les autres jeux de données pertinents peuvent analyser les informations et évaluer les différents scénarios, à une échelle et à une vitesse impensables pour les humains, afin de recommander la meilleure piste à suivre.

Dan Miklovic

« Le Machine Learning ne remplace pas les humains, il les aide à mieux travailler et à gagner en efficacité », remarque Dan Miklovic, fondateur et principal analyste chez Lean Manufacturing Research LLC, et membre de The Analyst Syndicate.

Voici quelques exemples d’utilisation d’outils d’aide à la décision dans divers secteurs d’activité :

• Dans le secteur de la santé, les outils d’aide à la décision clinique qui font appel au Machine Learning guident les médecins lors de l’établissement des diagnostics et de la prescription des traitements, améliorant ainsi l’efficacité du praticien et la prise en charge du patient.
• En agriculture, les outils d’aide à la décision basés sur le Machine Learning tiennent compte de facteurs tels que le climat, l’énergie, l’eau, les ressources, etc. pour aider les agriculteurs à mieux gérer leurs récoltes.
• En économie, les outils d’aide à la décision permettent à la direction d’anticiper les tendances, d’identifier les problèmes et d’accélérer la prise de décision. Les informations sont présentées dans des tableaux de bord exécutifs, sous forme de graphiques ou d’autres représentations visuelles.

3. Moteurs de recommandation pour les clients

Le Machine Learning est au cœur même des moteurs de recommandation visant à améliorer l’expérience d’achat des clients et à leur fournir une interface personnalisée. Dans ce cas, les algorithmes traitent les points de données pour un client individuel, son historique d’achats par exemple, mais aussi d’autres jeux de données (stock actuel de l’enseigne, tendances démographiques, historiques d’achats d’autres clients) afin de déterminer les produits et les services à recommander à chacun.

Voici quelques exemples de sociétés dont les modèles économiques reposent sur les moteurs de recommandation :

• D’importantes enseignes de l’e-commerce, comme Amazon et Walmart, s’appuient sur les moteurs de recommandation pour personnaliser l’expérience d’achat et augmenter le panier moyen.
• Netflix, le service de diffusion de films et de séries, est un autre adepte bien connu de cette application du Machine Learning. Il se base sur l’historique d’un client individuel, sur l’historique des clients présentant des intérêts communs, sur les informations liées à des programmes particuliers et sur d’autres jeux de données pour envoyer des suggestions personnalisées à ses abonnés.
• YouTube, la plateforme de diffusion de vidéos en ligne, utilise aussi un moteur de recommandation pour aider les internautes à trouver rapidement les vidéos correspondant à leurs goûts.

4. Modélisation de l’attrition des clients

Les entreprises font aussi confiance à l’intelligence artificielle et au Machine Learning pour étudier les signes annonciateurs d’un risque d’attrition et tenter d’y remédier. Grâce au ML, les entreprises peuvent s’emparer d’un problème vieux comme le monde : la perte de clientèle.

Ici, les algorithmes font ressortir des modèles d’un volume colossal de données historiques, démographiques et commerciales afin d’identifier et de comprendre les raisons motivant le départ des clients. L’entreprise peut alors se servir du Machine Learning pour analyser les comportements des clients existants, identifier les clients à risque, comprendre les raisons justifiant leur départ et déterminer les mesures de prévention à prendre pour les retenir.

Le taux d’attrition est un indicateur de performance clé pour toutes les entreprises, mais il revêt encore plus d’importance dans les domaines où la commercialisation du produit ou service se fait par abonnement. Voici quelques exemples d’entreprise optant pour la modélisation du risque de perte de clientèle :

• les organes de presse, comme The New York Times, Bloomberg News et The Wall Street Journal ;
• les sociétés de diffusion de musiques et de films, comme Netflix, Amazon, HBO et Spotify ;
• les entreprises proposant des logiciels à la demande, comme Salesforce (logiciel CRM), Adobe (logiciels multimédia et marketing) ; et
• les grandes entreprises de télécommunications.

5. Tarification dynamique

Les entreprises peuvent explorer leurs données de tarification historiques, ainsi qu’une foule d’autres variables, pour comprendre comment certains facteurs dynamiques (heure de la journée, météo et saison) influent sur la demande en biens et services. Les algorithmes de Machine Learning exploitent ces données et combinent les résultats à d’autres données du marché et des consommateurs, pour aider les entreprises à fixer dynamiquement le prix de leurs marchandises en conséquence. Une stratégie qui finit par payer pour les entreprises.

L’exemple le plus flagrant de tarification dynamique (parfois appelée tarification à la demande) se trouve dans le secteur des transports : pensez à la hausse spectaculaire des tarifs chez Uber lorsque les conditions imposent à tous de rechercher des courses ou à l’envol des prix des billets d’avion pendant les vacances scolaires.

6. Étude de marché et segmentation client

Le Machine Learning n’aide pas simplement les entreprises à fixer leurs prix, il les aide aussi à fournir les bons produits et services aux bons endroits et au bon moment, en prévoyant la planification des stocks et la segmentation de la clientèle.

Adnan Masood

Comme l’explique Adnan Masood, architecte en chef chez UST Global et spécialiste de l’intelligence artificielle et de l’apprentissage automatique, les enseignes, par exemple, se fient au Machine Learning pour prévoir les articles qui se vendront le mieux dans tel ou tel magasin en fonction des facteurs saisonniers influant sur un magasin particulier, de la démographie de cette région et d’autres données encore, comme les tendances sur les réseaux sociaux.

Et d’ajouter « Considérez cette technologie comme un moteur de recommandation spécialement adapté au commerce ».

De même, les entreprises peuvent utiliser le Machine Learning pour mieux comprendre certains segments de clientèle de leur base de données. Les enseignes, par exemple, adoptent cette technologie pour étudier de près les modèles d’achat de groupes spécifiques d’acheteurs (âges, revenus ou niveau d’éducation identiques, par exemple). Ainsi, elles peuvent mieux cibler leurs attentes et approvisionner les magasins avec les marchandises intéressant le plus le segment identifié.

Qui s’en sert ? Tout le monde, de Starbucks aux géants de l’assurance.

7. Détection de la fraude

Grâce à sa capacité à estimer des modèles et à déceler instantanément toute anomalie, le Machine Learning constitue un outil précieux pour la détection des activités frauduleuses. Les établissements financiers ont recours depuis des années à des moteurs de règles qu’ils agrémentent de modèles de machine learning pour affiner la détection des comportements à risque.

Voici comment cela fonctionne. Les data scientists s’appuient sur le Machine Learning pour comprendre le comportement classique d’un client individuel (à quel moment et où le client utilise une carte de crédit, par exemple). À partir de ces informations et d’autres jeux de données, la technologie distingue avec précision et en l’espace de millisecondes les transactions qui relèvent de la normale – et qui sont donc légitimes – de celles qui sont hors-norme et probablement frauduleuses.

L’apprentissage automatique contribue à la détection des fraudes dans divers secteurs, dont :

• services financiers
• voyages
• jeux d’argent et jeux vidéo
• commerce

8. Classification et reconnaissance des images

Les entreprises se tournent vers le Machine Learning, le Deep Learning et les réseaux de neurones (ensemble d’algorithmes facilitant la reconnaissance de modèles) pour interpréter au mieux les images. Cette technologie de Machine Learning trouve de nombreuses applications : Facebook qui cherche à taguer les photos publiées sur son site, les équipes de sécurité pressées d’identifier un comportement fautif en temps réel et les voitures autonomes devant avoir une parfaite vue de la route, par exemple.

Les enseignes trouvent aussi nombre d’applications à la classification et à la reconnaissance d’images, notamment :

• Équiper les robots de vision artificielle et de Machine Learning pour analyser les rayons et identifier les articles en faible quantité, en rupture de stock ou mal placés ;
• Utiliser la reconnaissance des images pour veiller à ce que tous les articles soient retirés des rayons et encaissés, limitant ainsi la démarque ;
• Lutter contre les conditions dangereuses en analysant les visuels pour identifier les activités suspectes (vol à l’étalage, par exemple) et détecter les atteintes à la sécurité sur le lieu de travail (utilisation illicite d’un équipement dangereux, par exemple).

9. Efficacité opérationnelle

Bien que certaines applications du Machine Learning soient très spécialisées, de nombreuses sociétés mettent en œuvre cette technologie pour gérer les processus métier routiniers, comme les transactions financières et les développements logiciels.

« D’après mon expérience (et jusqu’à maintenant), c’est dans les établissements financiers, les systèmes et les processus industriels que les cas d’utilisation sont les plus répandus, et dans le développement et les tests logiciels qu’ils sont les plus efficaces. Et dans la plupart des cas, ils concernent des tâches fastidieuses », affirme Bruce Guptill.

Le Machine Learning permet à beaucoup de services d’entreprise de gagner en efficacité, notamment :

• Services et cabinets financiers qui utilisent l’apprentissage automatique pour accélérer le travail et minimiser le risque d’erreur humaine ;
• Équipes d’exploitation qui recourent à des solutions à base de Machine Learning pour surveiller les équipements et anticiper les opérations de maintenance et les réparations, réduisant ainsi les problèmes inattendus et les interruptions de travail non planifiées ;
• Services informatiques qui exploitent cette technologie dans le cadre de l’automatisation des tests logiciels, pour accélérer et améliorer considérablement ce processus. L’objectif est d’obtenir des logiciels de meilleure qualité, développés plus vite et à moindre coût.

10. Extraction des informations

Associé au traitement du langage naturel, le Machine Learning peut extraire automatiquement des éléments d’informations dans des documents, même si les informations recherchées se présentent dans un format non structuré ou semi-structuré.

Par exemple, la banque d’investissement Crédit Agricole CIB (CACIB) utilise les technologies de NLP et de compréhension du langage naturel (NLU), pour analyser les rapports financiers publics et éviter les risques de collusion avec des entreprises soupçonnées pour leurs potentiels liens avec des activités terroristes.

Plus simplement, les entreprises utilisent de plus en plus massivement les techniques OCR améliorées par la reconnaissance d’images, pour extraire les informations des factures et des documents qu’elles doivent traiter quotidiennement.

Scott Likens

« Exploiter le Machine Learning pour comprendre des documents offre d’énormes avantages à tous les secteurs », dit Scott Likens, spécialiste des nouveaux services et des technologies émergentes chez PwC.

Grâce à ces technologies, les entreprises sont en mesure de tout traiter, des déclarations fiscales aux factures en passant par les contrats juridiques. Elles gagnent ainsi un maximum d’efficacité et bénéficient de processus très précis, tout en libérant le personnel de talent des tâches fastidieuses et répétitives.

« Le traitement des documents financiers et administratifs est un cas d’usage fort apprécié », affirme Scott Likens. « Il est loin d’être glamour, mais apporte une réelle valeur ajoutée aux entreprises ».