Introduction au machine learning (apprentissage automatique)

Introduction au machine learning (apprentissage automatique)

Il y a plusieurs décennies, on a commencé à concevoir des fonctions mathématiques jouant le rôle de procédures d'apprentissage générales. Dans ce contexte, une procédure d'apprentissage désigne simplement une procédure qui permet à l'ordinateur d'apprendre des schémas présents dans les données. Générale signifie que la procédure peut être employée dans de nombreux contextes différents, par exemple pour analyser les visiteurs d'un site web, étudier des patients atteints de cancer, évaluer des actions en bourse ou prévoir la météo de la semaine à venir. Ces méthodes sont regroupées sous le nom d'apprentissage automatique (angl. machine learning), ce qui indique que c'est un ordinateur (la machine) qui apprend.

Le principe du machine learning (apprentissage automatique)

Le principe du machine learning est simple. L'ordinateur apprend en découvrant des schémas dans les données, à partir desquels des règles sont établies. Ces règles peuvent ensuite servir à évaluer de nouvelles données, que l'algorithme n'a encore jamais vues. Pour l'illustrer, prenons l'exemple d'élèves de lycée. Imaginez que nous disposions de données sur 1 000 élèves. Ces données comprennent le sexe de l'élève, le revenu des parents, l'assiduité de l'élève, ses résultats aux examens de première année et sa note finale de dernière année (Tableau 1). Nous pouvons utiliser le machine learning pour étudier l'influence du sexe, du revenu des parents, de l'assiduité et des résultats aux examens de première année sur la note finale de dernière année. La machine va étudier les élèves afin de trouver des schémas révélant quels facteurs influencent la note finale et de quelle manière ils l'influencent. L'ordinateur découvrira probablement que les élèves ayant une forte assiduité et de bons résultats aux examens de première année obtiendront également de bonnes notes finales en dernière année. Ces découvertes sont transformées en règles qui peuvent ensuite servir à prédire les performances scolaires de nouveaux élèves. Les règles permettent donc de prédire la note finale de nouveaux élèves dès la fin de la première année.

Pour comprendre l'apprentissage automatique, prenons un autre exemple. Imaginez que nous gérions une boutique en ligne qui vend des vêtements. Notre objectif est qu'un maximum de visiteurs achètent des vêtements. Malheureusement, il est fréquent que les visiteurs ne finalisent pas leur achat (ils quittent la boutique en ligne avant d'avoir conclu l'achat). Nous pouvons utiliser l'apprentissage automatique pour calculer la probabilité qu'un visiteur quitte la boutique avant d'avoir finalisé son achat. Nous souhaitons en effet afficher un code de réduction aux visiteurs dont nous estimons qu'ils ont une forte probabilité d'abandonner leur achat. Le but de ce code de réduction est d'accroître leur propension à finaliser l'achat. La difficulté consiste à remettre le bon de réduction aux bons visiteurs (nous ne voulons pas distribuer de bons de réduction à des visiteurs qui effectueront de toute façon un achat). Pour résoudre ce problème, nous disposons de données d'exemple sur nos visiteurs précédents. Pour chaque visiteur, nous connaissons son âge, son sexe, son adresse, ses achats antérieurs, l'heure de la journée, la date, les produits ajoutés au panier, les pages visitées, le temps passé sur chaque page, et ainsi de suite. Nous savons également si le visiteur a effectué l'achat ou a quitté la boutique. Nous pouvons utiliser l'apprentissage automatique pour trouver des schémas qui distinguent les personnes qui effectuent un achat de celles qui n'en effectuent pas. La procédure d'apprentissage générale trouvera ces schémas, à partir desquels des règles seront établies. Ces règles constituent ainsi un algorithme qui peut ensuite être appliqué à de nouveaux visiteurs pour calculer la probabilité qu'ils quittent le site avant d'avoir effectué un achat. Nous pouvons utiliser ces probabilités pour décider quels visiteurs doivent recevoir un code de réduction et, nous l'espérons, finaliser leur achat.

Dans les deux exemples ci-dessus, l'ordinateur utilise une procédure d'apprentissage générale pour trouver des schémas dans les données. Ces schémas servent à établir des règles. Comme les règles sont établies à partir des schémas présents dans les données, on dit que la méthode est guidée par les données (angl. datadriven methods).

Prédire pour survivre

Une prédiction est une anticipation de l'avenir. La capacité de prédire l'avenir est extrêmement convoitée. Imaginez que vous puissiez prédire quelles actions vont prendre de la valeur ou quelles maladies vous frapperont au cours de votre vie. Ces dernières années, toutes les organisations (entreprises, chercheurs, associations, gouvernements, etc.) se sont de plus en plus intéressées à la capacité de prédire. De fait, la survie même d'une organisation peut dépendre de sa capacité à prédire, et à le faire avec une grande précision.

Comme presque tout peut être prédit, l'analyse prédictive occupe désormais une place centrale dans toutes les organisations. Pour un constructeur automobile, il est par exemple pertinent de prédire combien de voitures il devrait vendre l'an prochain (ce qui influe sur la planification de la production), l'évolution du prix de l'essence, du diesel et de l'électricité (ce qui influe sur la conception des moteurs), le risque de hausse du prix des matières premières et des composants (ce qui influe sur la fixation du prix des voitures), et ainsi de suite. Aujourd'hui, toutes les organisations doivent apprendre à prédire.

Ce sont les trois facteurs suivants qui ont suscité ce grand intérêt pour l'analyse prédictive :

1. La plupart des organisations collectent de grandes quantités de données, qui constituent le fondement de toute prédiction. C'est pourquoi on dit aujourd'hui que les données ont de la valeur.
2. Les logiciels et le matériel informatique nécessaires à l'analyse prédictive sont accessibles à tous.
3. La capacité à analyser des données s'est diffusée dans la société. Il y a 10 ans, presque seuls les mathématiciens et les statisticiens analysaient des données. Aujourd'hui, n'importe qui peut apprendre à analyser des données.

Pouvoir prédire l'avenir est la tâche principale de l'apprentissage automatique. L'apprentissage automatique sert donc à prédire. Dans l'exemple précédent, nous avons utilisé l'apprentissage automatique pour prédire la note finale d'élèves. Il existe d'autres méthodes de prédiction que le machine learning, mais ces dernières années, il s'est avéré que la précision des prédictions est en règle générale la plus élevée avec le machine learning, quel que soit le type de données analysées.