Aucun résultat trouvé

Votre recherche n’a donné aucun résultat.

Nous vous suggérons d’essayer ce qui suit pour trouver ce que vous recherchez :

  • Vérifiez l’orthographe de votre recherche par mot clé.
  • Utilisez des synonymes pour le mot clé que vous avez saisi, par exemple, essayez « application » au lieu de « logiciel ».
  • Essayez l’une des recherches les plus utilisées ci-dessous.
  • Lancez une nouvelle recherche.
Questions fréquentes
Qu’est-ce que l’apprentissage automatique?

Qu’est-ce que l’apprentissage automatique?

L’apprentissage automatique est un sous-domaine de l’intelligence artificielle (IA) qui se concentre sur la conception de systèmes qui apprennent — ou améliorent le rendement — en fonction des données qu’ils consomment. L’intelligence artificielle est un terme général qui se rapporte aux systèmes ou aux machines qui imitent l’intelligence humaine. L’apprentissage automatique et l’intelligence artificielle sont souvent évoqués ensemble; les termes sont parfois utilisés de façon interchangeable, mais ne signifient pas la même chose. Une importante distinction est que même si tout apprentissage automatique repose sur l’intelligence artificielle, cette dernière concerne bien plus que l’apprentissage automatique.

Aujourd’hui, l’apprentissage automatique est omniprésent. Lorsque nous interagissons avec les banques, magasinons en ligne ou utilisons les médias sociaux, les algorithmes d’apprentissage automatique entrent en jeu pour rendre notre expérience fluide, efficace et sécuritaire. L’apprentissage automatique et les technologies afférentes se développent rapidement, et nous commençons à peine à entrevoir leurs capacités.

 

“ Par le passé, ce que nous constations était que les gens ne parvenaient pas à travailler ensemble. L’ajout de l’apprentissage automatique à Oracle Analytics Cloud permet en fin de compte aux gens d’organiser leur travail et de concevoir, d’entraîner et de déployer ces modèles de données. Il s’agit d’un outil de collaboration qui a comme valeur l’accélération du processus et la collaboration entre différents secteurs de l’entreprise, ce qui assure une meilleure qualité et de meilleurs modèles à déployer. ”

— Rich Clayton, vice-président de la stratégie produit, Oracle Analytics

Deux approches à l’apprentissage

Les algorithmes sont les moteurs qui propulsent l’apprentissage automatique. En général, deux grands types d’algorithmes d’apprentissage automatique sont utilisés aujourd’hui : l’apprentissage supervisé et l’apprentissage non supervisé. La différence entre les deux est définie par la manière dont chacun apprend sur les données pour faire des prédictions.

Apprentissage supervisé

Les algorithmes d’apprentissage supervisé sont les plus couramment utilisés. Avec ce modèle, le spécialiste des données agit en tant que guide et apprend à l’algorithme les conclusions qu’il devrait tirer. Tout comme un enfant apprend à identifier des fruits en les mémorisant à partir d’un livre d’images, dans le cadre de l’apprentissage supervisé, l’algorithme est entraîné par un ensemble de données qui est déjà étiqueté et qui a une sortie prédéterminée.

Des algorithmes tels que la régression linéaire ou logistique, la classification multiclasse et les machines à vecteurs de support sont des exemples d’apprentissage supervisé.

Apprentissage non supervisé

L’apprentissage non supervisé utilise une approche plus indépendante, dans laquelle un ordinateur apprend à identifier des processus et des modèles complexes sans l’encadrement étroit et constant d’un humain. L’apprentissage non supervisé comporte un entraînement fondé sur des données qui n’ont pas d’étiquettes ou une sortie précise et définie.

Pour reprendre l’analogie d’apprentissage d’une jeune enfant, l’apprentissage non supervisé est semblable à un enfant qui apprend à identifier des fruits en observant les couleurs et les motifs, plutôt qu’en mémorisant les noms avec l’aide d’un enseignant. L’enfant rechercherait les points communs entre les images et les séparerait en groupes, en attribuant à chaque groupe sa propre nouvelle étiquette. La classification par K moyennes, l’analyse en composantes principales et indépendantes et les règles d’association sont des exemples d’algorithmes d’apprentissage non supervisé.

Choix d’une approche

Quelle approche est la mieux adaptée à vos besoins? Choisir un algorithme d’apprentissage supervisé ou non supervisé dépend habituellement de facteurs liés à la structure et au volume de vos données, et le cas d’utilisation auquel vous voulez l’appliquer. L’apprentissage automatique a pris de l’importance dans de nombreux secteurs, en soutenant différents objectifs et cas d’utilisation opérationnels dont :

  • la valeur à vie des clients;
  • la détection d’anomalies;
  • la tarification dynamique;
  • la maintenance prédictive;
  • la classification des images;
  • les moteurs de recommandation.

Objectif opérationnel : modéliser la valeur à vie des clients

La modélisation de la valeur à vie des clients est essentielle pour les entreprises de commerce électronique, mais est également applicable dans de nombreux autres secteurs. Dans ce modèle, les entreprises utilisent des algorithmes d’apprentissage automatique pour identifier, comprendre et fidéliser leurs clients les plus rentables. Ces modèles de valeur évaluent d’énormes quantités de données de client pour déterminer ceux qui dépensent le plus, qui sont le plus fidèle à la marque ou une combinaison de ces qualités.

Les modèles de valeur à vie des clients sont particulièrement efficaces pour prédire les revenus futurs qu’un client particulier générera pour une entreprise au cours d’une période donnée. Cette information permet aux sociétés de concentrer leurs efforts de marketing pour encourager les clients à rentabilité élevée à interagir avec la marque plus souvent. Les modèles de valeur à vie des clients aident également les entreprises à cibler leurs dépenses d’acquisition pour attirer de nouveaux clients qui sont semblables à ceux à rentabilité élevée.

Objectif opérationnel : modéliser la perte de clients

L’acquisition de nouveaux clients est plus longue et plus coûteuse que garder les clients existants satisfaits et fidèles. La modélisation de la perte de clients aide les sociétés à déterminer quels clients sont susceptibles de cesser d’interagir avec une entreprise et pourquoi.

Un modèle de perte de client efficace utilise des algorithmes d’apprentissage automatique pour fournir des renseignements sur tout allant des cotes de risque de perte pour des clients particuliers aux facteurs déterminants liés à la perte, classés par ordre d’importance. Ces données de sortie sont essentielles à l’élaboration d’une stratégie algorithmique de fidélisation.

Mieux comprendre la perte de clients aide les entreprises à optimiser les offres de rabais, les campagnes par courriel et d’autres initiatives de marketing qui encouragent les clients à rentabilité élevée à dépenser et à revenir.

Objectif opérationnel : Produits à prix flexible avec tarification dynamique

Les consommateurs ont plus de choix que jamais, et ils peuvent comparer les prix à partir d’un vaste éventail de canaux de façon instantanée. La tarification dynamique, également connue sous le nom de « tarification en fonction de la demande », permet aux entreprises de suivre l’évolution de la dynamique du marché. Elle leur permet également d’établir le prix des articles de manière flexible en fonction de différents facteurs dont le niveau d’intérêt du client cible, la demande au moment de l’achat et si le client a interagi avec une campagne de marketing.

Ce niveau de souplesse opérationnel nécessite une solide stratégie d’apprentissage automatique et de nombreuses données pour savoir à quel point la volonté de payer des clients pour un bon produit ou service est différente dans diverses situations. Bien que ces modèles puissent être complexes, les entreprises comme les transporteurs aériens et les services de covoiturage ont mis en œuvre des stratégies d’optimisation de tarification dynamique pour maximiser les revenus.

Objectif opérationnel : Cibler les clients à l’aide de la segmentation de la clientèle

Le marketing efficace a toujours été d’offrir le bon produit au bon client au bon moment. Il n’y a pas si longtemps, les spécialistes du marketing se fiaient à leur propre intuition pour segmenter la clientèle, en séparant les clients en groupes pour des campagnes ciblées.

Aujourd’hui, l’apprentissage automatique permet aux spécialistes des données d’utiliser des algorithmes de groupement et de classification pour regrouper des clients en personas selon des variations précises. Ces personas tiennent compte des différences entre les clients dans diverses dimensions comme les données démographiques, les habitudes de navigation et l’affinité. Relier ces traits à des modèles de comportement d’achat permet aux entreprises expertes en données de mettre en place des campagnes de marketing hautement personnalisées qui sont plus efficaces à améliorer les ventes que les campagnes généralisées.

Au fil de la croissance du volume de données dont disposent les entreprises et de la sophistication des algorithmes, les capacités de personnalisation augmenteront, ce qui rapprocha les entreprises au segment idéal d’un client.

L’apprentissage automatique prend en charge différents cas d’utilisation au-delà du commerce électronique et de détail et des services financiers. Il a également un énorme potentiel pour les applications liées aux sciences, aux soins de santé, à la construction et à l’énergie. Par exemple, la classification des images utilise des algorithmes d’apprentissage automatique pour attribuer une étiquette à partir d’un ensemble fixe de catégories à n’importe quelle image d’entrée. Elle permet aux entreprises de modéliser des plans 3D de construction fondés sur des conceptions 2D, de faciliter le marquage de photos dans les médias sociaux, d’établir des diagnostics médicaux et bien plus.

Les méthodes d’apprentissage profond comme les réseaux de neurones sont souvent utilisées pour la classification d’image parce qu’elles peuvent établir de façon plus efficace les caractéristiques pertinentes d’une image en présence de complications possibles. Par exemple, elles peuvent prendre en compte les variations dans le point de vue, l’éclairage, l’échelle ou le volume de l’encombrement de l’image et contourner ces problèmes pour offrir les renseignements de haute qualité les plus pertinents.

Objectif opérationnel : Créer une meilleure expérience client avec des moteurs de recommandation

Les moteurs de recommandation sont essentiels pour effectuer des ventes croisées et des ventes supplémentaires et offrir une meilleure expérience client.

Netflix évalue la valeur du moteur de recommandation qui optimise ses suggestions de contenu à un milliard de dollars américains par année et Amazon soutient que son système augmente les ventes annuelles de 20 à 35 %.

Les moteurs de recommandation utilisent des algorithmes d’apprentissage automatique pour examiner de grandes quantités de données dans le but de prédire la probabilité qu’un client achète un article ou profite d’un certain contenu, puis font des suggestions personnalisées à l’utilisateur. Il en résulte une expérience plus personnalisée et pertinente qui encourage une meilleure interaction et réduit la perte de clients.

Offrir une valeur opérationnelle tangible

L’apprentissage automatique optimise un éventail de cas typiques d’utilisation opérationnelle. Mais, comment fournit-il un avantage concurrentiel? Parmi les qualités les plus déterminantes de l’apprentissage automatique, il y a l’automatisation et l’accélération de la prise de décisions, puis une rentabilisation plus rapide. Cela commence par l’obtention d’une meilleure visibilité d’entreprise et l’amélioration de la collaboration.

« Par le passé, ce que nous constations était que les gens ne parvenaient pas à travailler ensemble », affirme Rich Clayton, vice-président de la stratégie produit pour Oracle Analytics. « L’ajout de l’apprentissage automatique à Oracle Analytics Cloud permet aux gens d’organiser leur travail et de concevoir, d’entraîner et de déployer ces modèles de données. Il s’agit d’un outil de collaboration qui a comme valeur l’accélération du processus et la collaboration entre différents secteurs de l’entreprise, ce qui assure une meilleure qualité et de meilleurs modèles à déployer. »

Par exemple, un service des finances typique se voit régulièrement obligé de répéter un processus d’analyse de variance (une comparaison entre ce qui est réel et ce qui est prévu). Il s’agit d’une application aux capacités cognitives faibles qui peut bénéficier grandement de l’apprentissage automatique.

« En intégrant l’apprentissage automatique, le service des finances peut travailler plus rapidement et plus intelligemment, et reprendre où la machine a laissé », déclare M. Clayton.

Les capacités prédictives de l’apprentissage automatique sont une autre fonction attrayante. Par le passé, les décisions opérationnelles étaient souvent prises en fonction de résultats antérieurs. Aujourd’hui, l’apprentissage automatique utilise des analyses approfondies pour prédire ce qui se passera. Les entreprises peuvent prendre des décisions proactives tournées vers l’avenir au lieu de compter sur des données antérieures.

Par exemple, la maintenance prédictive peut permettre aux fabricants, aux sociétés d’énergie et à d’autres secteurs de prendre l’initiative et de s’assurer que les opérations demeurent fiables et optimisées. Dans un champ pétrolifère où fonctionnent des centaines de foreuses, les modèles d’apprentissage automatique peuvent repérer le matériel qui présente un risque de défaillance dans un proche avenir, puis donner un avis préalable aux équipes d’entretien. Non seulement cette approche maximise la productivité, mais elle augmente le rendement, la disponibilité et la longévité des actifs. Elle peut également réduire les risques pour les travailleurs, diminuer la responsabilité et améliorer la conformité réglementaire.

Les avantages de la maintenance prédictive s’étendent au contrôle et à la gestion des stocks. Éviter les temps d’indisponibilité non planifiés en mettant en œuvre la maintenance prédictive aide les entreprises à prédire plus précisément les besoins de pièces de rechange et de réparation, ce qui réduit considérablement les dépenses d’immobilisations et de fonctionnement.

L’apprentissage automatique offre un énorme potentiel pour aider les entreprises à obtenir une valeur opérationnelle de la mine de données disponibles aujourd’hui. Cependant, des flux de travail inefficaces peuvent empêcher les entreprises de réaliser le plein potentiel de l’apprentissage automatique.

Pour réussir au niveau de l’entreprise, l’apprentissage automatique doit faire partie d’une plateforme complète qui aide les entreprises à simplifier les opérations et à déployer des modèles à l’échelle. La bonne solution leur permettra de centraliser tous les travaux de science des données dans une plateforme collaborative et d’accélérer l’utilisation et la gestion d’outils, de cadres d’application et de l’infrastructure en accès libre.

Bibliothèque d’apprentissage de l’intelligence artificielle

Qu’est-ce que l’intelligence artificielle?
En savoir plus sur l’intelligence artificielle

L’intelligence artificielle (IA) permet à la technologie et aux machines de traiter des données pour apprendre, évoluer et exécuter des tâches humaines.

En savoir plus sur la science des données
En savoir plus sur la science des données

Les entreprises combinent activement des statistiques à des concepts d’informatique comme l’apprentissage automatique et l’intelligence artificielle pour extraire des renseignements de mégadonnées afin de stimuler l’innovation et de transformer la prise de décision.

Nouvelles et opinions
Nouvelles et opinions

L’apprentissage automatique, l’intelligence artificielle et la science des données transforment la façon dont les entreprises traitent les problèmes complexes pour modifier la trajectoire de leurs secteurs respectifs. Lisez les plus récents articles pour comprendre la façon dont le secteur et vos pairs tiennent compte de ces technologies.