Trois conseils pour rendre votre Machine Learning plus efficace

Décidez de ce que vous voulez améliorer

La façon dont vous souhaitez que l'apprentissage automatique améliore votre entreprise peut sembler évident. Mais vous seriez surpris de voir combien de responsables veulent du Machine Learning simplement parce que c'est à la mode ou nouveau... et non parce qu'elles ont un plan pour résoudre de vrais défis.

La première étape - avant même de vous pencher sur un choix d'algorithme ou d'outils d'apprentissage statistique - est de définir clairement ce que vous voulez transformer. Par exemple, vous pouvez vouloir optimiser l'analyse des risques. Des algorithmes itératifs peuvent effectivement être utilisés pour créer des scores de fraude qui aident à repérer le comportement - en constante évolution - des fraudeurs et, par conséquent, à analyser plus dynamiquement les risques de crédit.

Vous souhaiterez également utiliser le Machine Learning de différentes manières en fonction de la criticité de la tâche à laquelle il s'applique.

Si c'est pour une tâche pour laquelle il est acceptable de simplement faire un travail satisfaisant en fournissant des connaissances de base, alors le Machine Learning, sans - ou peu - d'apport humain répondra à vos besoins. Par exemple, un algorithme conçu pour fournir des alertes dès qu'une information sort sur un de vos fournisseurs, peut être totalement autonome. Il fonctionnera correctement pour vous avertir si une entreprise de votre chaîne d'approvisionnement déclare faillite.

Mais si la tâche est plus complexe - ou plus critique, et qu'elle peut donner un réel avantage concurrentiel - l'apprentissage statistique seul ne sera à coup sûr pas suffisant pour battre vos concurrents. Pour les enjeux plus élevés, il est fortement recommandé de coupler le Machine Learning à la compréhension humaine. En fait, c'est même ma prochaine recommandation.

Utilisez vos collaborateurs pour apprendre à l'apprentissage automatique

Ajouter de l'intelligence humaine dans les applications complexes à base de Machine Learning n'est pas vraiment négociable. Même si la technologie s'améliore rapidement, l'esprit humain reste l'étalon-or de la créativité et de l'idéation. Il existe un énorme potentiel pour l'apprentissage automatique, mais ce potentiel peut être trompeur pour les équipes analytiques désirant tout automatiser, sans se soucier de la façon dont cela peut affecter la qualité des résultats.

« Certains opérationnels pensent qu'une fois que l'Intelligence Artificielle et le Machine Learning sont en place, il suffit d'appuyer sur un bouton pour résoudre tous les problèmes, c'est faux », prévient Karolina Kierzkowski, responsable et directrice principale de la Data Science chez Dun & Bradstreet.

Pour obtenir des enseignement plus approfondis et une vraie valeur métier, ces outils doivent être mis entre les mains de statisticiens expérimentés, de spécialistes de la modélisation prédictive, et autres experts de la donnée qui savent « relier la science, l'art, la technologie et le savoir-faire des métiers », résume-t-elle.

La différence que l'humain apporte - contextualiser les résultats de l'apprentissage sous une forme créative, transparente et utile - est inestimable.

Connaissez vos préjugés - et ceux des algorithmes

En plus de mettre de l'humain pour « augmenter » l'apprentissage statistique dans vos applications métier, il est crucial que vous utilisiez votre équipe analytique pour gérer et éviter les biais.

Ces biais peuvent être à la fois cognitifs (humains) et algorithmiques.

En tant qu'humains, il nous est difficile de reconnaître nos préjugés, mais nous sommes néanmoins capables de le faire. Les machines, elles, ne le peuvent pas... en tout cas pas encore.

La diversité de vos employés aide à minimiser les biais dans les algorithmes. Cette diversité ne peut être laissée au hasard. Or former une équipe plurielle incombe à la direction.

L'un des avantages d'avoir une équipe composée de personnes d'horizons différents est qu'elle peut vérifier par recoupement les biais latents qu'une équipe plus homogène ne verrait pas. Il est ensuite possible d'adapter l'algorithme en conséquence.

Ce point est particulièrement sensible lorsqu'il s'agit de s'assurer que les résultats du Machine Learning ne favorisent pas une région ou un groupe par rapport à d'autres - comme par exemple dans les RH avec le scoring de candidats pour un recrutement - uniquement à cause de biais que les auteurs de l'algorithme n'auraient pas prévus initialement.

Conclusion

Établir ce que vous voulez faire, vous appuyer sur votre capital humain et être attentif aux préjugés sont trois façons basiques d'optimiser votre projet de Machine Learning.

Basiques, certes, mais ce sont toutes des mesures fondamentales qui valent la peine d'être prises.