Machine Learning

Services financiers

Les banques et autres entreprises du secteur financier utilisent principalement le machine learning dans le but d’interpréter les données et de prévenir la fraude. Les informations obtenues servent à identifier des opportunités d'investissement ou indiquent aux investisseurs le meilleur moment pour réaliser leurs opérations. Le data mining permet également de repérer les clients à haut risque ou d'utiliser la cybersurveillance à la recherche de signaux révélateurs de fraude.

Administration

Les administrations en charge de la sécurité et des services publics ont particulièrement besoin du machine learning car elles ont accès à de nombreuses sources de données pouvant receler de précieuses informations. Ainsi, l'analyse des données des capteurs fait apparaître des pistes pour améliorer l'efficacité et réaliser des économies. Le machine learning permet également de détecter la fraude et d'éviter l'usurpation d'identité.

Santé

Le machine learning a le vent en poupe dans le secteur de la santé, grâce à l'avènement d'accessoires connectés et de capteurs qui évaluent en temps réel l'état de santé d'un patient. La technologie sert également à analyser les données pour dégager des tendances ou des indicateurs d'alerte permettant d’améliorer les diagnostics et les traitements. 

Marketing et vente

Les recommandations d'achat des sites web utilisent le machine learning pour analyser votre historique d’achats et vous proposer des articles susceptibles de vous intéresser. L’avenir de la grande distribution réside dans cette capacité à capturer des données, à les analyser et à les mettre à profit pour personnaliser une expérience d'achat (ou déployer une campagne marketing).

Energies

Trouver de nouvelles sources d'énergie. Analyser les minerais présents dans le sol. Prévoir les pannes des capteurs d'une raffinerie. Simplifier l'approvisionnement en pétrole pour optimiser l’efficacité et la rentabilité. Les cas d'usage dans ce secteur sont nombreux et ne cessent de se multiplier.

Transports

L'analyse des données pour identifier des schémas et tendances joue un rôle clé dans le secteur des transports, dont la rentabilité est tributaire de la capacité à optimiser les itinéraires et à anticiper les problèmes. L'analyse des données et la modélisation sont des outils importants pour les sociétés de livraison, les transports publics et autres entreprises du secteur.

Les algorithmes d'apprentissage supervisé sont entraînés sur des exemples étiquetés, par exemple une entrée dont le résultat attendu est connu. Ainsi, un équipement pourrait comporter des points de données étiquetés « E » (échecs) ou « R » (réussites). L'algorithme d'apprentissage reçoit une série de données en entrée avec les sorties correctes correspondantes, et apprend en comparant la sortie réelle avec les sorties correctes. Il modifie alors le modèle en conséquence. A l'aide de méthodes comme la classification, la régression, la prédiction et le "gradient boosting", l'apprentissage supervisé utilise des schémas pour prédire les valeurs de l'étiquette sur d'autres données non étiquetées. Cette méthode d'apprentissage est couramment utilisée dans les applications où les données historiques servent à prévoir des événements futurs probables. Par exemple, elle permet de savoir dans quels cas des transactions de carte de crédit risquent d'être frauduleuses ou quel assuré est susceptible de soumettre une demande d'indemnisation.

L'apprentissage non supervisé s’applique aux données sans étiquettes historiques. Dans ce cas, le système ne connaît pas la « bonne réponse ». C'est à l'algorithme de déterminer le modèle présenté. Le but est d'explorer les données et d'en découvrir la structure. L'apprentissage non supervisé fonctionne bien avec les données transactionnelles. Il permet par exemple d'identifier des segments de clients qui possèdent des attributs similaires et peuvent donc être traités de la même façon dans les campagnes marketing. Il peut aussi détecter les attributs principaux qui servent à segmenter la clientèle. Parmi les techniques les plus courantes figurent les cartes auto-organisatrices, le mappage du voisin le plus proche, la clusterisation par la méthode des nuées dynamiques et la décomposition en valeurs singulières. Ces algorithmes servent aussi à segmenter des thématiques de texte, à recommander des articles et à identifier des données hors normes.

L'apprentissage semi-supervisé a les mêmes applications que l'apprentissage supervisé. Cependant, son entraînement repose à la fois sur des données étiquetées et non étiquetées, généralement une petite quantité de la première catégorie et une grande quantité de la seconde catégorie (car l'acquisition de données non étiquetées coûte moins cher et nécessite moins d'efforts). Ce type d'apprentissage peut être utilisé avec des méthodes comme la classification, la régression et la prédiction. L'apprentissage semi-supervisé est utile lorsque le coût de l'étiquetage est trop élevé pour justifier un processus d'apprentissage entièrement étiqueté. La reconnaissance du visage d'une personne sur une webcam fait partie des premières applications de cette méthode.

L'apprentissage par renforcement est souvent utilisé en robotique, dans les jeux vidéo et la navigation. Avec l'apprentissage par renforcement, l'algorithme découvre par tâtonnements les actions qui donnent les meilleurs résultats. Les trois grandes composantes de ce type d'apprentissage sont les suivantes : l'agent (l'apprenant ou le décideur), l'environnement (tout ce avec quoi l'agent interagit) et les actions (ce que l'agent peut faire). Le but est que l'agent choisisse les actions de façon à obtenir le résultat optimal en un laps de temps donné. L'agent atteindra bien plus rapidement les objectifs en appliquant une stratégie adéquate. L'apprentissage par renforcement a donc pour objectif d’apprendre la meilleure stratégie.