Et les réponses avec Serge Emteu, PhD, Data Scientist chez Invenis
Depuis les années 50, l’Intelligence Artificielle nourrit de nombreux fantasmes. L’automatisation et l’avènement de la machine sur l’homme nourrissent de nouvelles peurs et offrent également de nouvelles opportunités. Sur ce point, le Machine Learning et en particulier l’auto Machine Learning – ou Auto-ML – ouvrent de nouvelles perspectives pour faire de nous des humains augmentés.
Mais de quoi s’agit-il exactement ? Pourquoi en parle-t-on ?
Faisons le point sur l’Auto-ML en 3 questions.
Depuis quelques temps, les initiatives sur l’Auto-ML fleurissent un peu partout. Par exemple, Google Cloud, l’un des plus grands acteurs du numérique a lancé en 2018 son service d’Auto-ML : Google Cloud Auto-ML.
« En parallèle, de nombreuses bibliothèques en Python permettant de faire de l’auto-ML se créent. L’Auto-ML fait partie d’un mouvement technologique global et sans précédent », nous explique Serge Emteu, Data Scientist chez Invenis.
La définition du site Wikipédia précise : « Automated machine learning (AutoML) is the process of automating the end-to-end process of applying machine learning to real-world problems. »
L’auto Machine-Learning se révèle comme une approche disruptive du Machine-Learning puisque L’auto Machine-Learning automatise toute la chaine de traitements des approches classiques de Machine-Learning.
Concrètement, imaginez donc que vous puissiez automatiser entièrement vos cas d’usage. C’est comme si vous fournissiez vos données à une machine et que cette dernière vous sortait automatiquement ce que vous vouliez savoir : qui sont vos clients sur le point de churner, quels produits devriez-vous recommander à Monsieur et Madame X, quand votre chaine de production va tomber en panne, et à cause de quel composant ?
Avec l’Auto-ML, vous pouvez automatiser entièrement vos analyses prédictives, trouver les variables pertinentes sur vos données, choisir le meilleur algorithme. Sans compétences en Data Science. Sans savoir comment cela fonctionne. Simplement en sachant à quoi cela sert.
Dans les deux cas, le point commun est le Machine Learning, soit la capacité d’apprentissage de la machine à partir des données d’apprentissage qu’on lui fournit.
L’usage est sensiblement le même car la finalité est la même : utiliser des algorithmes auto-apprenant pour résoudre des problématiques concrètes.
La principale différence entre Machine Learning et Auto-ML, ce sont les compétences nécessaires, selon Serge Emteu « Pour mettre en place un algorithme de Machine Learning, on va demander des compétences pointues en Machine Learning. Ce sera le rôle du Data Scientist, dont c’est le cœur de métier d’évaluer les spécificités du problème à résoudre, de choisir et paramétrer le meilleur algorithme possible pour résoudre le problème. Pour l’Auto-ML, la logique est totalement différente. Le pré-requis sera principalement la connaissance-métier et une connaissance des données, ce qu’il y a dans les données. »
Autre point de différenciation : le timing de livraison de réponse à la problématique. « L’inconvénient de l’Auto-ML, c’est qu’il nécessite une grosse puissance de calcul pour répondre rapidement au problème posé. Le logiciel Invenis a été paramétré pour cela et nous avons ainsi des algorithmes d’Auto- ML disponibles, en plus de notre bibliothèque de briques d’analyses prédictives. Et en parallèle, l’Auto-ML assure un accès plus rapide aux insights d’un cas d’usage. La machine va effectuer des tâches de pré-traitement, déterminer les caractéristiques pertinentes dans les données, tester et proposer automatiquement plusieurs algorithmes pour proposer la meilleure réponse. C’est donc tout à fait en lien avec les problématiques actuelles d’un monde qui va vite. Là où un Data Scientist aura une démarche scientifique de test & learn, la machine aura déjà intégré ce facteur-là et pourra fournir une réponse beaucoup plus rapide ».
La Data Science est un sujet d’experts et nous observons une pénurie d’experts.
Avec l’Auto-ML, le jeu de cartes est rebattu puisque si la machine est capable d’automatiser tout le processus de mise en place d’une analyse prédictive, cela signifie que dans certains cas, on peut se passer du Data Scientist. « Bien entendu, si l’on cherche le meilleur algorithme possible, pour le résultat le plus fin possible, quoi qu’il en coûte, on ne pourra pas se passer du Data Scientist. En revanche, si l’usage veut des résultats performants, des prédictions fines en un temps record, alors l’Auto-ML est une révolution pour les entreprises. Cette nouvelle fonctionnalité va augmenter considérablement les compétences des équipes d’analyse et des équipes métiers dans les entreprises. »
Cela ouvre donc la porte à de nombreux cas d’usage pour toutes les entreprises : recommandation d’achat, lutte contre le churn, prédiction de stocks, maintenance prédictive …
Quant à savoir si le métier de Data Scientist est menacé, Serge Emteu nuance : « C’est notre travail à nous, Data Scientists, de nous assurer que les algorithmes d’Auto-ML soient les plus pertinents possibles et qu’ils s’améliorent au fur et à mesure que leur expérience augmente. De plus, de nouveaux algorithmes sont publiés tous les jours, à nous d’en simplifier l’usage aux entreprises pour valoriser notre métier ! »
A lire également – 3 algorithmes de Machine Learning bien utiles à votre pour votre business