L'apprentissage automatique démystifié

L'apprentissage automatique (ML) peut sembler impénétrable pour quiconque ne le connaît pas. Un manque de compréhension de ce qu'est le ML et de ce que cela signifie pour le fabricant...

Le machine learning (ML) peut sembler impénétrable pour quiconque n'y est pas familier. Un manque de compréhension de ce qu'est le ML et de ce qu'il signifie pour l'industrie manufacturière donne parfois lieu à des idées farfelues sur des machines intelligentes prêtes à prendre le contrôle de l'humanité. Mais ML, fondamentalement, est une avancée majeure dans le développement des technologies de l'information (IT). Son fonctionnement et ses limites doivent être parfaitement compris par ceux qui souhaitent l'utiliser pour le plein bénéfice de leur organisation.

Certes, le ML nécessite l'utilisation de compétences statistiques et informatiques spécifiques que peu de personnes possèdent ou ont nécessaires dans le secteur manufacturier. Mais ses principes sont assez simples – et même intuitifs à saisir. Pour moi, c'est ce que je considérais autrefois comme un service de traduction en ligne plutôt banal, à savoir Google Traduction, qui m'a aidé à réaliser le potentiel de transformation du ML.

Pour faire simple, les logiciels de traduction de langues se sont longtemps basés sur des dictionnaires de programmation, des règles grammaticales et leurs nombreuses exceptions. Cette approche implique des efforts considérables.

Des processus "basés sur des règles" à des processus "axés sur les données"

·  La nouvelle méthodologie découle d'une idée plus simple :n'essayez pas de définir des règles et des tableaux lexicaux à partir de zéro, laissez le logiciel les "découvrir". Des millions de pages déjà traduites sont collectées auprès d'organisations internationales.

·  Lorsqu'un utilisateur soumet un texte à traduire, le logiciel le découpe en éléments de base, puis recherche des éléments identiques ou similaires dans la même langue dans les pages traduites.

·  La traduction la plus probable est extraite pour être suggérée à l'utilisateur.

Les modèles statistiques pertinents trouvés dans les données remplacent donc les règles de traduction. Au lieu d'avoir à être minutieusement programmés, ils sont automatiquement « appris » par le logiciel. Il est facile de voir la valeur économique de cette approche, par rapport à l'approche traditionnelle, d'autant plus que la qualité de la traduction résultante est généralement à la hauteur de celle-ci.

Dans le secteur manufacturier, les gains de productivité s'accompagnent d'une amélioration substantielle de la qualité. Quiconque a déjà spécifié des processus d'automatisation sait à quel point il peut être complexe d'anticiper toutes les situations possibles auxquelles le logiciel devra faire face une fois en production. C'est même lorsque des experts du domaine fonctionnel sont impliqués. Les règles fonctionnelles du logiciel reposent sur des hypothèses qui reposent elles-mêmes sur un nombre limité d'observations. Mais la réalité s'avère souvent bien plus complexe que prévu, ce qui signifie que l'automatisation est finalement sous-optimale ou que le logiciel finit par nécessiter des corrections coûteuses.

Le Machine Learning, quant à lui, absorbe et se développe à partir de toutes les données disponibles, quel qu'en soit le volume. Cela signifie que le risque que des modèles ou un cas d'utilisation ne soient pas pris en compte est limité.

Les humains doivent rester aux commandes

La machine évite également les "biais cognitifs" de l'intelligence humaine qui se traduisent par des sélections imparfaites des données disponibles et une prise de décision inappropriée.

Un bon exemple est celui du traitement automatisé des demandes de crédit reçues par les banques. Un algorithme examine les informations clés d'un emprunteur ainsi que les informations de remboursement. Il met ensuite en évidence la relation probable entre un profil d'emprunteur et un risque de défaut. Appliqué à une nouvelle demande de prêt, l'algorithme va prédire, avec un niveau de précision considéré comme suffisant, si l'emprunteur remboursera. Cela signifie que le risque d'une mauvaise décision, déclenchée par un préjugé ou l'humeur de l'agent bancaire, est supprimé.

Néanmoins, il est crucial que les humains restent les décideurs ultimes.

Premièrement, parce que le logiciel n'est évidemment pas parfait. Il est régi par des réglages effectués par l'homme. Par exemple, il peut avoir été optimisé pour éviter les « faux positifs » (le prêt est accordé à un emprunteur défaillant) et ainsi pencher vers le rejet de certaines demandes de prêt. Par conséquent, un utilisateur doit vérifier que les recommandations du système sont légitimes et, si nécessaire, les rejeter. Cela permettra au système d'apprendre de nouveaux critères afin que l'algorithme accepte les candidatures de profils similaires la prochaine fois.

Une autre raison clé est que seuls les humains devraient s'assurer que les normes éthiques sont respectées, en particulier lorsqu'une décision concerne les droits d'un individu.

Données sur tous

Il est essentiel de choisir et de mettre en place un modèle algorithmique adapté au processus de fabrication en jeu et au type de données qui le sous-tendent. Les performances de l'automatisation dépendront de la satisfaction de deux impératifs :la qualité des données et la représentativité de l'ensemble d'apprentissage, ce qui signifie que l'automatisation sera plus efficace lorsque le ML est effectué sur la base d'observations impartiales.

L'accès aux données est crucial pour le succès du ML car, en fin de compte, aucun niveau de sophistication algorithmique ne compensera jamais un ensemble de données médiocre.

Avec la puissance croissante des ordinateurs et de la numérisation, il est devenu possible et probablement essentiel de tirer parti d'une approche basée sur les données pour concevoir des processus de fabrication automatisés plus efficaces. Au-delà des compétences scientifiques requises, le succès de ces solutions réside dans la collecte de données pertinentes et le suivi de leur fonctionnement par l'homme. L'apprentissage automatique a tendance à rejeter les comportements arbitraires. A nous de veiller à ce qu'il ne les remplace pas par des généralisations abusives et inappropriées.

Par Jean-Cyril Schütterlé, ‎VP Product &Data Science chez Sidetrade