Débloquer le Machine Learning : Insights pratiques pour les leaders industriels

Le Machine Learning (ML) peut sembler impénétrable pour quiconque n'en est pas familier. Un manque de compréhension de ce qu'est le ML, et 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 le ML, fondamentalement, est une avance majeure dans le développement de la Technologie de l'Information (IT). La façon dont il fonctionne, et ses limites, doivent être pleinement comprises par ceux qui veulent l'utiliser au plein bénéfice de leurs organisations.

Le ML, admettons-le, requiert l'utilisation de compétences statistiques et IT spécifiques que peu de gens ont encore, ou ont eu besoin dans la fabrication. Mais ses principes sont assez simples — et même intuitifs à saisir. Pour moi, c'était ce que je considérais once comme un service de traduction de langue en ligne plutôt banal — à savoir Google Translate — qui m'a aidé à réaliser le potentiel transformateur du ML.

Pour le dire simplement, les logiciels de traduction de langue ont longtemps été basés sur la programmation de dictionnaires, règles grammaticales et leurs nombreuses exceptions. Cette approche implique un effort considérable.

De processus « basés sur règles » à processus « pilotés par données »

• La nouvelle méthodologie découlait d'une idée plus simple : n'essayez pas de définir règles et tables lexicales from scratch, laissez le logiciel les « découvrir ». Des millions de pages déjà traduites sont collectées depuis des organisations internationales.

• Quand un utilisateur soumet un texte pour traduction, le logiciel le découpe en éléments de base et recherche ensuite des éléments identiques ou similaires dans la même langue au sein des pages traduites.

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

Des patterns statistiques pertinents trouvés dans les données remplacent donc les règles de traduction. Au lieu d'avoir à être laborieusement programmés, ils sont automatiquement « appris » par le logiciel. Il est facile de voir la valeur d'économie de coûts de cette approche, comparée à l'approche traditionnelle, surtout depuis que la qualité de la traduction résultante est généralement à parité avec elle.

Dans la fabrication, les gains de productivité sont composés par une amélioration qualité substantielle. Quiconque a déjà spécifié des processus d'automatisation sait à quel point il peut être complexe d'anticiper toutes les situations possibles que le logiciel devra affronter une fois en production. Cela même quand des experts domaine fonctionnels sont impliqués. Les règles fonctionnelles du logiciel sont basées sur des hypothèses qui elles-mêmes reposent sur un nombre limité d'observations. Mais la réalité s'avère souvent bien plus complexe qu'attendu, signifiant que l'automatisation est éventuellement sous-optimale ou que le logiciel finit par requérir des corrections coûteuses.

Le Machine Learning, d'autre part, absorbe et se développe en utilisant toutes les données disponibles, peu importe le volume. Cela signifie que le risque de patterns ou cas d'usage étant laissés hors de l'image est limité.

Les humains doivent rester aux commandes

La machine évite aussi les « biais cognitifs » de l'intelligence humaine qui se traduisent en sélections imparfaites de données disponibles et prise de décision inappropriée.

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

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

Premièrement, parce que le logiciel n'est évidemment pas parfait. Il est gouverné par des paramètres faits par les humains. Par exemple, il a pu être optimisé pour éviter les « faux positifs » (où le prêt est accordé à un emprunteur qui fera défaut) et penchera donc vers rejeter certaines demandes de prêt. Donc, 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 pour que l'algorithme accepte les demandes de profils similaires la prochaine fois.

Une autre raison clé est que seuls les humains doivent s'assurer que les standards éthiques sont respectés, surtout quand une décision concerne les droits d'un individu.

Data über alles

Il est essentiel de choisir et configurer un modèle algorithmique qui fit le processus manufacturier en jeu et le type de data le soutenant. La performance de l'automatisation dépendra de la rencontre de deux impératifs : qualité de la data, et représentativité du set d'entraînement, signifiant que l'automatisation sera plus efficiente quand le ML est mené basé sur des observations non biaisées.

L'accès à la data est crucial pour le succès du ML car, ultimement, aucun niveau de sophistication algorithmique ne compensera jamais un pauvre set de données.

Avec la puissance croissante des ordinateurs et la digitalisation, il est devenu possible et probablement essentiel d'exploiter une approche pilotée par données pour designer des processus de fabrication automatisés plus efficients. Au-delà des compétences scientifiques requises, le succès de ces solutions réside dans la collecte de données pertinentes et la surveillance de leurs opérations par les humains. Le Machine Learning tend à rejeter les comportements arbitraires. C'est à nous de s'assurer qu'il ne les remplace pas par des sur-généralisations inappropriées.

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