Comment les startups développent et déploient des algorithmes de correspondance

septembre
6 2019

5 min de lecture

Les opinions exprimées par les contributeurs de l'Entrepreneur sont les leurs.

Ces jours-ci, une grande partie de notre vie semble dictée par des algorithmes. Nos services de streaming décident des films et des émissions de télévision qui nous conviendraient le mieux en fonction de notre historique de visionnage précédent et de nos goûts apparents. Nos applications de rencontres nous mettent en place des allumettes susceptibles de susciter une romance. Même nos applications de covoiturage tentent de nous mettre en contact avec le meilleur pilote possible sur la route.

Alors, comment les startups gèrent-elles exactement le développement de ces algorithmes de correspondance et que l'entrepreneur moyen peut-il apprendre de ces exemples?

Premièrement, les services de covoiturage comme Uber utilisent un algorithme d'envoi spécifique pour s'assurer que le véhicule le plus proche et le plus approprié pour un trajet est toujours celui qui convient. Malgré cette prémisse aussi simple, l'architecture de l'algorithme est assez complexe. Il y a deux objectifs principaux: obtenir une arrivée rapide pour les coureurs et maximiser le nombre de trajets que chaque conducteur peut effectuer. Uber utilise une modélisation à base d'agents pour expérimenter différentes combinaisons de paramètres donnant des résultats différents, en calculant des facteurs tels que le fait que les conducteurs indépendants soient itinérants ou stationnaires et la proximité des conducteurs entre eux de la ville. Uber n'a pu trouver un algorithme fiable, tant pour les passagers que pour les passagers, grâce à des expériences intensives et à des ajustements continus.

Related: Comment les algorithmes peuvent-ils prédire nos intentions plus rapidement que nous ne le pouvons

Algorithmes médicaux

Les algorithmes relatifs à la médecine et aux soins de santé sont généralement conçus pour rechercher une correspondance en fonction des compatibilités biologiques. Par exemple, ConceiveAbilities utilise une approche algorithmique Matching Matters pour essayer de faire correspondre les mères porteuses, les donneurs et les parents en fonction de l'expérience et des préférences sur un certain nombre de dimensions différentes. Cela inclut les antécédents médicaux et, dans certains cas, même les traits de personnalité.

Certaines questions de santé sont plus simples que d'autres. Par exemple, il existe huit types de sang différents et une hiérarchie claire des valeurs du donneur en fonction du type de receveur. Un donneur O négatif est techniquement un donneur universel, capable de donner du sang à n'importe quel receveur, quel que soit son groupe sanguin, mais dans la plupart des cas, un receveur A négatif obtiendra de meilleurs résultats avec un donneur A négatif. Les algorithmes doivent également incorporer des données telles que les niveaux d'approvisionnement actuels, la rareté de chaque groupe sanguin et les besoins actuels cumulés des patients. En cas de pénurie de sang A négatif, par exemple, O négatif pourrait être un meilleur ajustement.

Services de streaming

Nous pouvons également examiner la complexité des algorithmes derrière les recommandations que vous voyez dans les services de streaming. On estime que 80% des émissions de télévision et des films visionnés sur Netflix sont retransmis via son système de recommandation de signature. Comme on pouvait s’y attendre, Netflix rassemble des milliers de points de données avant de formuler des recommandations, en calculant le nombre d’heures que vous passez à regarder, les émissions et les films que vous regardez, ce que vous avez dans votre liste et comment vous avez évalué les choses (bien que cette fonctionnalité ne plus actif). Netflix classe ensuite les personnes dans différents «groupes de goût» ou collections d’individus partageant les mêmes préférences. Il est intéressant de noter que Netflix emploie des êtres humains pour classer les films et les émissions de télévision en différents «micro-genres» hyperspécifiques afin qu’ils puissent ensuite être recommandés aux personnes les plus appropriées. Ensuite, les nouvelles recommandations sont classées en une série de rangées, avec des correspondances très probables dans le coin supérieur gauche et des correspondances de qualité décroissantes en bas et à droite. la musique préférée par ses auditeurs individuels. Il regroupe également les auditeurs dans des catégories de goûts similaires, puis recommande les artistes en fonction de ce qu’il trouve sur les listes de lecture de personnes semblables à vous.

Liés: Instagram a répondu à vos questions sur le fonctionnement de son algorithme

Applications de datation

L'un des créneaux les plus intéressants pour les algorithmes est leur application dans le monde des les applications de rencontres, qui tentent de faire correspondre des personnes en fonction de la compatibilité romantique en utilisant seulement une poignée de facteurs. Tinder, par exemple, conserve une note interne secrète attribuant une note individuelle à chaque utilisateur en fonction de la fréquence à laquelle il est aimé et pondéré en fonction de l’attractivité des swipers. Finalement, les gens sont regroupés par niveaux de désirabilité. Vous êtes plus susceptible de figurer dans la pile de quelqu'un du même niveau que vous. Bien entendu, l’application intègre également d’autres facteurs, tels que l’âge, l’emplacement et la similarité des profils entre correspondances possibles.

La plupart des algorithmes mentionnés ici sont hautement propriétaires; il est donc tout à fait compréhensible que nous ne puissions pas analyser en profondeur leur fonctionnement. Cependant, il y a quelques points à retenir importants à considérer. Premièrement, les algorithmes de qualité font des déterminations basées sur plusieurs objectifs, plutôt que d'avoir un seul but. Deuxièmement, ils reposent sur d’énormes ensembles de données. Enfin, les algorithmes évoluent constamment, leur permettant de s’adapter aux nouvelles découvertes et de se rapprocher de la perfection. Développer un algorithme à partir de rien n’est pas facile, mais cela pourrait être l’un des facteurs les plus cruciaux pour le succès à long terme de votre entreprise.