L'apprentissage automatique ouvre la voie à la transformation numérique

Alors que les entreprises font face à une quantité de données en croissance exponentielle qui peut submerger la capacité de prise de décision des individus, l'apprentissage par la machine constitue une méthode puissante pour aider les utilisateurs à améliorer la bande passante, la réactivité, la précision et la cohérence des résultats .

Mais qu'est-ce que l'apprentissage machine? C'est la capacité des systèmes logiciels à apprendre en étudiant des données pour détecter des régularités et / ou en appliquant des règles connues aux données à traiter.

• Classer et cataloguer des informations telles que des transactions, des comptes, des entreprises, des personnes, etc.

• Prédire les résultats probables et / ou décider des actions à suivre en analysant les modèles identifiés

• modèles et relations auparavant inconnus dans les données

• Détection de comportements et d'événements nouveaux, anormaux ou inattendus à partir de données

Les systèmes de logiciel d'apprentissage automatique utilisent des algorithmes spécialisés pour comprendre les données et les actions gérées par les processus correspondants et pour apprendre à s'améliorer. ces processus. Lorsque de nouvelles observations de données, d'événements, de réponses et de modifications de l'environnement de données sont analysées par les algorithmes, les performances de la machine sont améliorées et affinées.

Par conséquent, on pense parfois que le système a «appris» à faire son travail. mieux car il est capable d’améliorer continuellement ses résultats mesurables. Cependant, il est important de garder à l'esprit que le système logiciel ne lance pas de manière autonome des actions créatives.

L'apprentissage automatique peut peut-être identifier de nouvelles opportunités ou problèmes nécessitant une résolution au sein des processus et opérations ciblés, mais il n'est pas conçu «penser hors des sentiers battus». En revanche, la véritable intelligence artificielle est intrinsèquement différente et va bien au-delà de l’apprentissage automatique en termes de résolution de problèmes créative ou de réponse aux stimuli émergents.

L’apprentissage automatique peut offrir quatre domaines clés. résultats importants:

• L'apprentissage supervisé comprend les cas où la machine logicielle est enseignée par exemple. Dans ces situations, des exemples d'entrées et de sorties souhaitées sont fournis au système, qui les utilise pour déterminer les corrélations et la logique permettant de fournir la réponse appropriée. Cela revient à apprendre aux enfants à résoudre un problème de maths en «montrant leur travail», puis en les aidant à le faire plus rapidement ou à appliquer les mêmes fonctions à d'autres problèmes après avoir confirmé la précision du processus.

• L'apprentissage semi-supervisé va encore plus loin en ce sens que le système reçoit des données contenant des réponses définies et d'autres données non étiquetées. Cette approche peut s'avérer très utile dans les situations où le jeu de données est trop volumineux pour être entièrement caractérisé ou comporte de subtiles variations qui ne peuvent pas être entièrement définies à l’avance. L'apprentissage semi-supervisé permet au système d'utiliser les entrées et les sorties fournies afin d'extrapoler les règles à appliquer au reste des données.

• L'apprentissage non supervisé se produit lorsque la machine est utilisée pour analyser des jeux de données afin d'identifier modèles et déterminer les corrélations et les relations. En apprentissage non supervisé, le système ne peut pas être fourni avec un corrigé à l'avance. Au lieu de cela, le processus est modelé sur le même modèle que la façon dont les humains observent naturellement le monde – en tirant des conclusions et en regroupant des éléments similaires. À mesure que le système observe et analyse plus de données, ces observations et inférences deviennent plus fines et précises.

• L'apprentissage par renforcement implique de fournir à la machine un ensemble d'actions, de règles et d'états finaux possibles, définissant ainsi les règles du jeu. Ensuite, la machine applique ces règles aux nouveaux jeux de données et explore différentes actions en observant les résultats. Essentiellement, la machine apprend à exploiter au mieux les règles pour obtenir les résultats souhaités.

Tous les scénarios ci-dessus reposent sur l'idée que l'apprentissage par machine peut nous aider à aller au-delà des capacités de l'être humain en utilisant les mêmes règles, mais en les appliquant. plus rapide et plus volumineuse que ce que les gens peuvent gérer

D'une certaine manière, cela ressemble à l'évolution des automobiles et des camions, qui peuvent transporter des charges plus importantes sur de plus longues distances et en moins de temps que les humains ne le pouvaient auparavant. Même si le trajet entre les points A et B reste le même, l'efficacité de transporter des charges plus importantes et de les livrer plus rapidement fait toute la différence.

Les modèles et les algorithmes d'apprentissage utilisés en apprentissage machine pouvant être très complexes, ils peuvent Il sera difficile pour les non-spécialistes en informatique de comprendre ce qu'est l'apprentissage automatique et comment il se passe.

Encore une fois, en utilisant l'analogie automobile, il est un fait que la plupart des gens au cours des 100 dernières années ont appris à conduire des voitures sans avoir besoin de comprendre le fonctionnement interne du moteur, de la transmission et des systèmes de direction. Tant que nous savons quels cadrans regarder et quels leviers tirer, nous pouvons accomplir beaucoup plus que nous ne le pourrions à la main ou à pied. De manière similaire, de nombreuses entreprises adoptent l'apprentissage automatique pour optimiser à la fois le traitement d'un grand nombre de tâches répétitives et pour fournir une analyse adaptative permettant d'appliquer des règles à de nouveaux ensembles de données et à de nouvelles conditions.

Veuillez écouter la reproduction de notre webinaire « sur les voies de l'entreprise intelligente », mettant en vedette Phil Carter, analyste en chef chez IDC, et Dan Kearnan et Ginger Gatling de SAP.