Le Machine Learning à la portée de toutes les DSI

Le Machine Learning est partout, beaucoup en parlent, mais finalement peu en font réellement. Les raisons de cette adoption lente d’une des technologies phares de l’IA se trouvent sans doute dans un double déficit de compréhension : d’une part, une méconnaissance des cas d’usages possibles du machine learning  dans les métiers et, d’autre part, un difficulté perçue de mise en oeuvre. Jusque récemment, ces technologies s’apparentaient à de la recherche appliquée nécessitant une très forte expertise technique.

La bonne nouvelle est que ces deux freins peuvent rapidement tomber si le DSI regarde attentivement l’état de l’art en ce début d’année 2020.

Les cas d’usages existent et sont transposables.

Sur les cas d’usages, les bénéfices de l’intégration du prédictif dans les métiers sont clairs. Le machine learning peux apporter une meilleure visibilité sur le coeur de métier (anticipation des ventes, réglage fins des paramètres de la supply-chain, personnalisation de la relation client, identification des anomalies, anticipation et détection des fraudes).

Si le prédictif était intégré dans chacune des applications de l’entreprise, celle-ci gagnerait immédiatement en agilité et en performance. Les retours d’expériences d’entreprises utilisatrices commencent à apparaître, et l’on constate que les algorithmes basés sur l’apprentissage machine en production sont loin d’être réservées aux pure players de l’internet ou aux entreprises CAC40.

Sur l’expertise technique nécessaire, la perception d’une barrière à l’entrée importante est principalement due à la faible disponibilité de spécialistes du machine learning ou de la data-science. S’ajoute à cela, le lien incorrect qui est fait entre BIG DATA et IA. Ces deux notions sont évidemment compatibles mais ne sont pas liées si on se place du point de vue l’entreprise utilisatrice.

L’avènement d’AutoML et du Small Data

La constitution d’une équipe de data scientiste expérimentée n’est plus un préalable pour se lancer dans le prédictif. Les technologies AutoML facilitent drastiquement la création de modèles d’IA sur mesure : de la préparation des données, la sélection du bon algorithme, l’entraînement du modèle, son optimisation jusqu’aux tests et validation, toutes ces étapes sont désormais automatisées. En quelques dizaines de minutes, une IA personnalisée est prête à être intégrée dans une ou plusieurs applications via des APIs.

Les grands opérateurs du Cloud Computing proposent désormais une offre autour d’AutoML. C’est même une course effrénée que se livrent Google, Amazon et Microsoft sur le sujet, avec de nouvelle offres et fonctionnalités mises en marché chaque trimestre.

Amazon vient ainsi d’annoncer en janvier 2020 le lancement de AutoGluon, une solution permettant de mettre en oeuvre un modèle prédictif personnalisé en 3 clics.

Parmi les startups françaises, le français prevision.io déploie avec succès une offre packagée accessible via le cloud ou on-premise.

Quand aux données, le fameux BIG DATA n’est plus un préalable. Les données métiers internes sont évidemment toujours la clé de voûte des modèles prédictifs. Mais, en fonction des cas d’usages, les technologies dites de transfert learning permettent de capitaliser sur un algorithme pré-entraîné. Ainsi, dans le domaine de la reconnaissance d’image, de la compréhension du langage naturel ou encore de la traduction, des jeux de données de quelques centaines d’objets (Small DATA) suffisent à paramétrer une IA efficace et personnalisée.

Les technologies AutoML et le SMALL DATA permettent ainsi aux DSI de s’affranchir d’un investissement conséquent pour créer les conditions nécessaires à l’IA. Reste à déterminer les bons cas d’usages, sélectionner le service AUTOML le plus adapté, capter et rendre actionnables les données métiers, et enfin accompagner les équipes dans leur prise en main de ce nouvel outil basé sur l’apprentissage machine.