{"id":5081,"date":"2024-12-01T14:54:53","date_gmt":"2024-12-01T14:54:53","guid":{"rendered":"https:\/\/campus.hesge.ch\/blog-master-is\/?p=5081"},"modified":"2024-12-06T14:09:40","modified_gmt":"2024-12-06T14:09:40","slug":"lapport-du-ml-dans-le-monde-professionnel","status":"publish","type":"post","link":"https:\/\/campus.hesge.ch\/blog-master-is\/lapport-du-ml-dans-le-monde-professionnel\/","title":{"rendered":"L’apport du ML dans le monde professionnel"},"content":{"rendered":"\n

Pauline est responsable marketing dans une entreprise de commerce en ligne. Chaque jour, elle analyse des milliers de donn\u00e9es : comportements d’achat, tendances des produits, historique des clients\u2026 Avec la croissance de l\u2019entreprise, cela devient un d\u00e9fi. Plus elle essaie de tout g\u00e9rer, plus elle se rend compte qu\u2019elle manque de temps et que les d\u00e9cisions bas\u00e9es uniquement sur son intuition ne sont plus suffisantes.<\/p>\n\n\n\n

Un jour, Pauline assiste \u00e0 une conf\u00e9rence sur le Machine Learning<\/strong>, une technologie qui permet aux machines d’apprendre des donn\u00e9es et de prendre des d\u00e9cisions sans avoir \u00e0 tout programmer. Intrigu\u00e9e, Pauline d\u00e9cide de mettre cette technologie \u00e0 l\u2019\u00e9preuve dans son entreprise.<\/p>\n\n\n\n

Elle d\u00e9ploie un mod\u00e8le de Machine Learning supervis\u00e9<\/strong> pour analyser les comportements d’achat de ses clients. Ce mod\u00e8le utilise des donn\u00e9es historiques, comme le nombre d’achats pass\u00e9s, le panier moyen ou encore la fr\u00e9quence de visite de son site de commerce. Le mod\u00e8le apprend des donn\u00e9es pass\u00e9es pour faire des pr\u00e9dictions pr\u00e9cises<\/strong>.<\/p>\n\n\n\n

L\u2019apprentissage supervis\u00e9 : Quand on sait d\u00e9j\u00e0 ce qu’on cherche<\/h2>\n\n\n\n

Dans l\u2019apprentissage supervis\u00e9<\/a><\/strong>, le mod\u00e8le est entra\u00een\u00e9 avec des donn\u00e9es pour lesquelles la r\u00e9ponse est d\u00e9j\u00e0 connue. Par exemple, en marketing, cela peut consister \u00e0 pr\u00e9dire si un client va acheter un produit en fonction de son historique d\u2019achat pass\u00e9. Le mod\u00e8le apprend des exemples (donn\u00e9es \u00e9tiquet\u00e9es) et utilise ces connaissances pour pr\u00e9dire des \u00e9v\u00e9nements futurs.<\/p>\n\n\n\n

ID Client<\/th>\u00c2ge<\/th>Nombre d’achats pass\u00e9s<\/th>Panier moyen (CHF)<\/th>Fr\u00e9quence de visite par mois<\/th>A achet\u00e9 le produit ?<\/th><\/tr><\/thead>
1<\/td>25<\/td>3<\/td>50<\/td>5<\/td>Oui<\/td><\/tr>
2<\/td>40<\/td>10<\/td>100<\/td>15<\/td>Non<\/td><\/tr>
3<\/td>35<\/td>7<\/td>75<\/td>8<\/td>Oui<\/td><\/tr>
4<\/td>22<\/td>2<\/td>40<\/td>4<\/td>Non<\/td><\/tr>
5<\/td>30<\/td>5<\/td>60<\/td>6<\/td>Oui<\/td><\/tr>
6<\/td>50<\/td>12<\/td>120<\/td>20<\/td>Non<\/td><\/tr>
7<\/td>28<\/td>6<\/td>80<\/td>9<\/td>Non<\/td><\/tr>
8<\/td>60<\/td>1<\/td>30<\/td>3<\/td>Non<\/td><\/tr><\/tbody><\/table>
Exemple d’un extrait des donn\u00e9es de comportement d’achat des clients de Pauline<\/figcaption><\/figure>\n\n\n\n

Dans le jeu de donn\u00e9es pr\u00e9c\u00e9dent, on cherche \u00e0 pr\u00e9dire “A achet\u00e9 le produit ?”. C’est la variable que l’on appelle souvent “target” ou “variable cible”. Pour pr\u00e9dire cette “variable cible”, on utilise les autres colonnes qui vont nous aider \u00e0 rep\u00e9rer des relations entre elles et la “target”. <\/p>\n\n\n\n

Pauline utilise aussi un mod\u00e8le non supervis\u00e9<\/strong> pour segmenter ses clients en groupes. Elle n’a pas besoin de lui dire quels groupes existent ; le mod\u00e8le analyse simplement les donn\u00e9es (comme les comportements d’achat ou les pr\u00e9f\u00e9rences) et d\u00e9couvre des patterns cach\u00e9s<\/strong>, comme des clients ayant des comportements similaires. Ce type de mod\u00e8le permet de mieux cibler les campagnes marketing en fonction des segments d\u00e9couverts.<\/p>\n\n\n\n

L\u2019apprentissage non supervis\u00e9 : D\u00e9couvrir des structures sans r\u00e9ponse pr\u00e9alable<\/h2>\n\n\n\n

L\u2019apprentissage non supervis\u00e9<\/a><\/strong>, quant \u00e0 lui, est utilis\u00e9 lorsqu’il n’y a pas de r\u00e9ponse pr\u00e9d\u00e9finie<\/strong>. Le mod\u00e8le cherche \u00e0 d\u00e9couvrir des structures ou des relations dans les donn\u00e9es. Par exemple, il pourrait regrouper des clients ayant des comportements similaires sans qu\u2019on lui dise au pr\u00e9alable ce qu\u2019il doit chercher.<\/p>\n\n\n\n

\"\"<\/a>
Exemple d’un graphique affichant les diff\u00e9rents groupements de donn\u00e9es. Graphique reproduit \u00e0 partir du post de Tanoraa : voir bibliographie<\/figcaption><\/figure>\n\n\n\n

L’image ci-dessus repr\u00e9sente le groupement de clients effectu\u00e9 par Pauline en utilisant un mod\u00e8le non-supervis\u00e9.<\/p>\n\n\n\n

Cependant, comment ces mod\u00e8les fonctionnent-ils r\u00e9ellement ?<\/p>\n\n\n\n

Mod\u00e8les param\u00e9triques vs non param\u00e9triques<\/h2>\n\n\n\n

Tous les mod\u00e8les de Machine Learning n\u2019utilisent pas la m\u00eame approche. Certains sont param\u00e9triques<\/strong>, d\u2019autres sont non param\u00e9triques<\/strong>.<\/p>\n\n\n\n

Mod\u00e8les param\u00e9triques<\/strong><\/h3>\n\n\n\n

Ces mod\u00e8les fonctionnent souvent sur des hypoth\u00e8ses<\/strong> concernant la structure des donn\u00e9es. Par exemple, dans la r\u00e9gression lin\u00e9aire, on suppose qu\u2019il existe une relation simple et droite<\/strong> entre les diff\u00e9rentes variables. Ce mod\u00e8le utilise un nombre limit\u00e9 de param\u00e8tres<\/strong> pour faire des pr\u00e9dictions. C\u2019est rapide et efficace pour des probl\u00e8mes simples, mais \u00e7a peut devenir un peu limit\u00e9 si les donn\u00e9es sont plus complexes ou ont des relations moins \u00e9videntes.<\/p>\n\n\n\n

Prenons un exemple concret avec une bo\u00eete qui analyse des images de chats et de fraises. On lui envoie une image de fraise, mais au d\u00e9part, la bo\u00eete a encore ses r\u00e9glages de base<\/strong>. Elle regarde l\u2019image et se trompe en pensant que c\u2019est un chat. Pas de souci, elle va ajuster ses param\u00e8tres<\/strong> pour mieux comprendre et corriger son erreur. Elle recommence ce processus avec chaque nouvelle image qu\u2019on lui montre, apprenant petit \u00e0 petit les patterns<\/strong> (les caract\u00e9ristiques sp\u00e9cifiques) des fraises et des chats.<\/p>\n\n\n\n

Une fois qu\u2019elle a vu assez d\u2019exemples, la bo\u00eete ne d\u00e9pend plus des images exactes qu\u2019on lui a montr\u00e9es pendant l\u2019entra\u00eenement. Elle a appris les caract\u00e9ristiques communes des chats<\/strong> et des fraises<\/strong> et peut donc identifier une nouvelle image correctement, m\u00eame si elle ne l\u2019a jamais vue auparavant.<\/p>\n\n\n\n

\"\"
Exemple d’un mod\u00e8le param\u00e8trique avec les param\u00e8tres qui sont imag\u00e9s par les rouages<\/figcaption><\/figure>\n\n\n\n

Mod\u00e8les non param\u00e9triques<\/strong><\/h3>\n\n\n\n

Contrairement aux mod\u00e8les param\u00e9triques, les mod\u00e8les non param\u00e9triques<\/strong> ne font aucune hypoth\u00e8se<\/strong> sur la forme des donn\u00e9es. Ils sont donc beaucoup plus flexibles<\/strong> et peuvent s’adapter \u00e0 des structures beaucoup plus complexes. Par exemple, l’algorithme des k plus proches voisins<\/strong> (k-NN) ne suppose pas de relation pr\u00e9d\u00e9finie entre les diff\u00e9rentes variables. Au lieu de cela, le mod\u00e8le regarde les donn\u00e9es “telles quelles” et pr\u00e9dit directement \u00e0 partir des donn\u00e9es stock\u00e9es les plus semblables.<\/p>\n\n\n\n

Cela signifie qu\u2019un mod\u00e8le non param\u00e9trique est directement d\u00e9pendant des donn\u00e9es<\/strong>. Plus il re\u00e7oit d’exemples, plus il devient pr\u00e9cis, mais il doit conserver toutes ces donn\u00e9es en m\u00e9moire pour faire ses pr\u00e9dictions. Cela peut le rendre plus lent<\/strong>, car il n\u2019essaie pas de g\u00e9n\u00e9raliser \u00e0 partir d\u2019une simple formule, mais il apprend \u00e0 partir de chaque point de donn\u00e9es individuellement.<\/p>\n\n\n\n

En d’autres termes, au lieu de chercher une relation simple et pr\u00e9d\u00e9finie<\/strong> (comme dans la r\u00e9gression lin\u00e9aire), le mod\u00e8le s’appuie sur les donn\u00e9es elles-m\u00eames<\/strong> pour trouver des patterns et faire des pr\u00e9dictions. Il compare<\/strong> les nouvelles donn\u00e9es avec celles qu’il a d\u00e9j\u00e0 vues et cherche les points les plus proches dans l\u2019espace des donn\u00e9es.<\/p>\n\n\n\n

L\u2019importance du Machine Learning<\/h2>\n\n\n\n

Gr\u00e2ce au Machine Learning, Pauline peut prendre des d\u00e9cisions plus \u00e9clair\u00e9es, sans avoir \u00e0 analyser chaque d\u00e9tail manuellement. Elle gagne du temps, et surtout, elle peut mieux comprendre ses clients, en d\u00e9tectant des tendances cach\u00e9es qu’elle n’aurait jamais pu rep\u00e9rer seule.<\/p>\n\n\n\n

Au fil des mois, son mod\u00e8le devient plus intelligent<\/strong>, s’am\u00e9liorant constamment \u00e0 mesure que de nouvelles donn\u00e9es sont ajout\u00e9es. Pauline n’a plus \u00e0 deviner ce que ses clients veulent. Son assistant virtuel<\/strong> le sait d\u00e9j\u00e0.<\/p>\n\n\n\n

Conclusion<\/h2>\n\n\n\n

Le Machine Learning<\/strong> est bien plus qu\u2019une simple tendance technologique ; c\u2019est un changement de paradigme dans la mani\u00e8re dont les entreprises prennent des d\u00e9cisions. \u00c0 travers des mod\u00e8les supervis\u00e9s et non supervis\u00e9s, param\u00e9triques et non param\u00e9triques, cette technologie permet d\u2019exploiter les donn\u00e9es pour pr\u00e9dire, segmenter, et optimiser des actions de mani\u00e8re bien plus efficace qu\u2019auparavant.<\/p>\n\n\n\n

Dans l’exemple de Pauline, nous voyons comment ces mod\u00e8les peuvent \u00eatre appliqu\u00e9s concr\u00e8tement pour prendre des d\u00e9cisions marketing plus pertinentes et personnalis\u00e9es. Et ce n’est qu\u2019un d\u00e9but. Le Machine Learning a encore un long chemin \u00e0 parcourir et de nombreuses opportunit\u00e9s \u00e0 offrir.<\/p>\n\n\n\n

Pour aller plus loin…<\/h2>\n\n\n\n

Je vous conseille fortement de regarder cette vid\u00e9o de la cha\u00eene YouTube “Artificialis Code” qui explique tr\u00e8s bien les concepts de classifications et de r\u00e9gressions. Cela permet de d\u00e9velopper vos connaissances en la mati\u00e8re !<\/p>\n\n\n\n

\n