Auteur/autrice : admin@pacte

Comment le Machine Learning et le Big Data s’entremêlent aujourd’hui ?

Comment le Machine Learning et le Big Data s'entremêlent aujourd'hui ?

De nos jours, le Machine learning et le Big data sont étroitement liés. Ils sont même interdépendants. En effet, l’apprentissage automatique des ordinateurs ne peut pas se faire sans le recours à de grands ensembles de données.

Mais en quoi consistent exactement ces deux disciplines ? Dans quelle mesure dépendent-elles l’une de l’autre ?

Machine learning et Big data : deux disciplines dans l'ère du temps

L’apprentissage automatique est une branche et une technique de l’IA (intelligence artificielle). Elle consiste à apporter des solutions à des problèmes statistiques complexes et d’exploitation de la donnée par la reconnaissance de motifs récurrents dans un ou plusieurs flux de données. De manière plus simple, il s’agit pour l’ordinateur de réaliser des analyses prédictives en s’appuyant sur des techniques statistiques. En quelques fragments de secondes, la machine réalise un forage des données et décèle des comportements anormaux ou suspects, telles les fraudes par exemple.

Le Big data peut être défini comme de vastes ensembles de données qui peuvent être collectés et analysés dans le but d’en dégager des informations stratégiques, utiles aux entreprises. Ces données peuvent aussi être utilisées lors de projets d’apprentissage automatique. Le Big data peut servir plusieurs objectifs : créer des campagnes marketing personnalisées, accélérer la prise de décisions, traiter des plages de données exhaustives entre autres.

Les liens entre l'apprentissage automatique et Big data

Le Machine learning repose sur le Big data. En effet, une machine ne peut pas développer son intelligence par cette technologie si elle ne dispose pas de grands ensembles de données. Plus la quantité de données est élevée, plus la solution finale apportée au problème est fine et précise. Prenons l’exemple des fraudes dans les paris sportifs. Pour apprendre à votre ordinateur à les identifier, il est préférable de lui soumettre les données de beaucoup de parieurs, pour identifier celles qui sont anormales.

On le comprend, ces deux notions fonctionnent ensemble. Le Big data est même le préalable nécessaire au fonctionnement de l’apprentissage automatique des machines.

Le BRMS (moteur de règles) : toujours un avenir ?

A l’heure où l’Intelligence Artificielle est devenue LE sujet, l’incontournable atout dans les systèmes d’informations, le moteur de règles ou BRMS (technologie créée dans les années 70 et composante intégrante de l’IA) n’est pratiquement plus enseigné dans les écoles d’ingénieurs. Et pourtant, cette technologie est encore très activement utilisée dans tous les secteurs.

Deep Learning vs Expertise humaine métier

Quand on vous parle d’Intelligence artificielle, immédiatement vient à l’esprit le Machine Learning et le Deep Learning, ces algorithmes permettant un apprentissage par la machine d’un raisonnement à appliquer dans des situations similaires à celles sur lesquelles la machine s’est entrainée. Mais chaque entreprise est dotée d’une expertise métier humaine très riche, capable d’analyser et de construire une prise de décision adaptée à chaque cas rencontré. Pourquoi alors ne pas mettre pleinement à profit cette expertise en dotant les experts métiers de solutions informatiques leur permettant de transposer leur raisonnement ? Le moteur de règles est une solution.

Particulariser plutôt que catégoriser

Dans ce flot d’information qui nous inonde chaque jour, nous nous devons de faire le filtre, le tri pour porter notre intérêt sur ce qui nous paraît crédible et donc de confiance. La dématérialisation du contact et la numérisation de l’information n’empêchent pas le conseil pertinent et approprié. Aujourd’hui, qu’on le veuille ou non, des intelligences artificielles s’activent de plus en plus pour apprendre sur vous, votre comportement, vos préférences etc… Simplement, cet apprentissage ne conduit pas systématiquement à une réponse ou offre pertinente, adaptée à votre cas particulier, et en parfaite adéquation avec la stratégie des entreprises qui souhaitent vous « cerner ». L’intelligence de la statistique et de l’apprentissage n’exclut pas l’erreur de catégorisation. C’est là qu’intervient le BRMS !

Du système expert au BRMS

Il y a 40 ans, on commençait à modéliser le principe du diagnostic d’une pathologie à partir de symptômes cliniques ; c’était le début des systèmes experts qui, par instinct de survie et à coup de repackaging marketing au milieu des années 90, deviendront des Business Rules Management Systems (BRMS) 30 ans plus tard. Ce qui paraissait être de l’arrogance intellectuelle et scientifique est devenu une réponse au dialogue personnalisé et à la capitalisation de l’expertise. Aujourd’hui, le BRMS demeure une inférence cognitive présente dans tous les secteurs d’activité. La quasi-totalité des institutions financières françaises utilisent un moteur de règles pour leur processus d’octroi de crédit, notamment dans l’analyse du risque. Le secteur industriel comme financier et assurantiel ont mis en place des processus de tarification pilotés par les moteurs de règles, qui sont également une réponse dans les systèmes de détection de fraude et de lutte contre le blanchiment d’argent …

Les moteurs de règles (BRMS) ont encore un bel avenir !

Emploi : Quels sont les profils de la Maîtrise du risque en AMOA

Emploi : Quels sont les profils de la Maîtrise du risque en AMOA ?

Les capacités ou compétences suivantes sont nécessaires pour une analyse des risques et une gestion efficace du risque AMOA :

Gestion des incidents AMOA

Il permet de développer un processus en boucle pour l’enregistrement des incidents, en faisant une analyse des risques sur le même qui permet de définir la cause profonde qui l’a provoquée et de pouvoir, sur la base de celle-ci, définir les actions opportunes avec lesquelles lui donner un traitement.

La gestion des incidents est un processus réactif, mais elle est d’une grande utilité pour les organisations, car elle leur permet de tirer des enseignements des problèmes et des conflits survenus afin de prendre les mesures qu’elles jugent appropriées pour les prévenir.

Il s’agit donc d’une capacité essentielle dans la gestion du risque opérationnel et elle s’applique principalement aux risques liés à des événements.

Gestion du changement

Comme mentionné précédemment, lorsque des changements sont introduits dans n’importe quel aspect des opérations, il est courant que de nouvelles sources de risque apparaissent et puissent générer des incidents. En ce sens, en appliquant un processus de gestion du changement approprié, nous contribuons à ce que le personnel puisse identifier, évaluer et approuver systématiquement les modifications à introduire avant de les rendre effectives.

La gestion du changement s’applique généralement aux risques motivés par le changement.

Évaluation des risques

Cette compétence implique la réalisation d’un processus permettant d’identifier les dangers dans les différentes opérations, afin de procéder à l’analyse appropriée en vue de les hiérarchiser pour pouvoir appliquer les contrôles pertinents et les surveiller efficacement.

Ce processus d’évaluation des risques est proactif afin de parvenir à une amélioration continue et est appliqué dans les évaluations réalisées pour améliorer les installations, les systèmes de production ou les zones de travail, afin d’atténuer tout risque opérationnel éventuel.

Cette troisième compétence peut être appliquée à tous les types de risques, qu’ils soient liés à la performance, aux événements ou aux changements.

Machine Learning ou Deep Learning ?

Machine Learning ou Deep Learning ?

L’intelligence artificielle est rendue possible par plusieurs concepts. Les deux plus importants sont le Machine Learning en ce qui concerne l’apprentissage automatique et le Deep Learning en ce qui concerne l’apprentissage profond. Bien qu’il s’agisse de deux méthodes différentes, ces deux termes sont souvent confondus.

Qu’est-ce que le machine learning ?

C’est une technologie connue pour son ancienneté et sa simplicité. Cette technologie est déployée par le biais d’un système algorithmique qui s’adapte automatiquement en fonction des retours faits par l’utilisateur. En termes simples, la machine apprend sans programmation. Une condition essentielle pour sa mise en œuvre est l’existence de données organisées. Ensuite, la structuration et la catégorisation des données serviront à alimenter le système. Cela lui permettra d’assimiler la classification de nouvelles données similaires. Sur cette base, le système effectue ensuite des actions.

Petit point sur le deep learning ?

Appartenant à la grande famille de l’apprentissage, le Deep Learning s’appuie sur les technologies de réseaux de neurones pour apprendre des fonctionnalités à un niveau supérieur en utilisant les informations fournies. Les données structurées ne sont pas nécessaires pour ce type d’intelligence artificielle. Inspirées du cerveau humain, il s’agit de neurones artificiels organisés en couches où chaque couche contribue à alimenter la couche suivante et permet d’ajuster le modèle mathématique sous-jacent. Les données non structurées ne sont pas un obstacle à son déploiement. Mais il est clair que le Deep learning doit s’appuyer sur un large volume d’informations/ de situations pour être performant dans la détection des similarités.

Quelle est la différence entre les deux ?

La différence entre ces deux technologies d’intelligence artificielle réside dans les résultats produits par les différents algorithmes et les méthodes d’intervention en aval. La première technologie traite des données quantitatives et structurées. Cependant, les retours de prédictions inexactes nécessitent l’intervention d’un ingénieur pour d’éventuels ajustements. En revanche, la seconde, le modèle Deep Learning, dispose d’algorithmes capables de déterminer l’exactitude d’une prédiction sans intervention humaine. Le Deep Learning est aujourd’hui quasiment incontournable dans la reconnaissance de forme, le traitement du langage naturel (NLP), la construction d’un bot ou encore le diagnostic médical.