Dans notre monde régit par les données, le Big Data nous ouvre un tout nouveau champ des possibles. Cela nous met par la même occasion face à de nouvelles décisions à prendre, souvent soumises à des variables qui bouleversent profondément nos réflexes décisionnels. Éric Biernat nous offre une plongée saisissante dans un monde où les machines savent apprendre.

Selon le physicien Werner Heisenberg, il est impossible d’établir simultanément et avec précision la vitesse et la position d’une particule. Rien à voir avec un quelconque défaut technique des instruments, il s’agit là d’une incapacité structurelle des particules à se laisser mesurer sur ces deux axes. C’est à partir de ce postulat fondateur de la physique quantique qu’Éric Biernat entame son talk sur les possibilités offertes par le machine learning.

 

Eric Biernat durant son talk à USI 2016

Eric Biernat à l’USI pour son talk « Principe d’incertitude et Machine Learning »

 

Prédire au plus juste

Longtemps, nous avons pensé que le machine learning se limiterait à des tâches répétitives comme ce fut le cas avec l’automatisation industrielle. Mais, des voitures autonomes à la récente victoire du robot face au champion du monde de Go, force est de constater que la capacité d’apprentissage des machines est exponentielle. Pour optimiser le processus, les data scientists appliquent une logique de répétition et inondent d’exemples l’Intelligence Artificielle. Pour lui apprendre à reconnaître du bleu, ils lui soumettent des images de plusieurs nuances de cette couleur ainsi que des contre-exemples en proposant des éléments verts, rouges, jaunes… Plus le nombre d’exemples est élevé, plus l’apprentissage est profond. Ce n’est qu’une fois cette étape achevée que la phase, primordiale, de prédiction peut débuter.

« Prédire c’est identifier une population critique par rapport à nos enjeux » définit Éric Biernat qui précise également que le résultat est non déterministe puisque la marge d’erreur tend continuellement à évoluer.

Et c’est cette marge d’erreur définissant le niveau de performance d’une machine qui est invariablement indexé à sa capacité de prédiction. Car plus la prédiction est juste, plus notre plan d’action est efficace.

 

Des décisions à prendre

La marge d’erreur d’un algorithme est invariablement liée au temps dont nous disposons, au temps que nous mettons à décider où positionner le curseur de risque. Comme le théorisait Heinsenberg, plus je définis ma population, moins je dispose de temps de réaction pour mettre en place les paramètres nécessaires à la précision de mon modèle. Mais est-ce grave de se tromper ? Prenant l’exemple du marketing, Éric Biernat affirme que « l’erreur est structurelle ».

Toute stratégie digitale, de bannière ou de mailing par exemple n’est efficace qu’aux environs d’1%.

Tout le reste est un échec, des gens qui ne cliquent pas aux mails jamais ouverts. La mission des dirigeants est alors d’évaluer les erreurs de l’algorithme et de « repenser leurs processus en profondeur ». Comme l’a fait Netflix en 2009 avec un concours récompensant d’un million de dollars l’équipe de data scientists capable d’améliorer son algorithme prédictif de 10%. Une bonne opération qui, en améliorant la satisfaction client, permet de récolter toujours plus de nouvelles données. Un cercle vertueux qui peut selon Éric Biernat optimiser les performances de nombreuses entreprises. Mais si les machines intelligentes et leurs prédictions sont de plus en plus adoptées dans le monde professionnel, des doutes résident quant à leur habilité à créer, à s’exprimer artistiquement.

 

A lire : Andrew McAfee – Le deuxième âge des machines 

Citation d'Eric Biernat à USI : "Quand on fait du Machine Learning, il ne faut pas le faire à moitié"

 

Laissez-nous créer

En mai dernier, Google dévoilait Magenta, un robot capable de créer une mélodie d’une minute trente. Une prouesse technique, certes, mais comme toutes les machines aussi élaborées soient-elles, Magenta ne peut – pour l’instant – que reproduire ce que l’homme lui a enseigné grâce à une progression par l’exemple.

Cependant, reproduire est-ce réellement créer ?

Le vocabulaire même de l’idée évoque une disruption. Sortir des sentiers battus, se mettre en difficulté, sortir de sa zone de confort, think out of the box… tout repose sur la nouveauté, l’innovant.

Selon Éric Biernat, « le machine learning peut créer, mais en apprenant à reproduire le passé ».

Rien n’est neuf, tout est déjà dans les données. Plutôt que de chercher à dupliquer artificiellement nos arts, ne devrions-nous pas plutôt employer les machines comme des assistants, des aides qui nous soulageraient des tâches contraignantes, pour nous réserver les activités les plus épanouissantes ? « Les avancées du machine learning doivent nous pousser à nous demander à quoi sert notre temps de cerveau biologique, à quoi va-t-on utiliser nos capacités intellectuelles ? » insiste Éric Biernat. L’évolution du machine learning doit nous permettre de nous reconcentrer sur ce qui mérite notre attention, comme l’aspect émotionnel et créatif.

 

Envie d’en savoir plus ? Retrouvez l’intégralité du talk d’Eric Biernat sur notre chaîne Youtube :

 

2 Réponses à “Reproduire, est-ce vraiment créer ? Le cas du Machine Learning”

  1. Machine learning

    « L’évolution du machine learning doit nous permettre de nous reconcentrer sur ce qui mérite notre attention, comme l’aspect émotionnel et créatif. », c’est bien dit et ça résume tout à mon avis.

    Répondre

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *