Abonnez-vous Identifiez-vous

Identifiez-vous

Vos codes d'accès sont erronés, Veuillez les saisir à nouveau. Mot de passe oublié ?

Entreprise et IA

Le blog de Florian Douetteau

[IA] Apprentissage par renforcement, intuition et raisonnement abductif (1/2)

Publié le

[IA] Apprentissage par renforcement, intuition et raisonnement abductif (1/2)

L’apprentissage par renforcement est une technique largement utilisée pour optimiser les possibilités de l’intelligence artificielle appliquée aux jeux vidéo – autrement dit, pour qu’un ordinateur puisse gagner au jeu de Go, ou franchir au triple galop les différents niveaux de Super Mario Bros. Bon, c’est ludique mais, soyons honnêtes, l’utilité pratique dans la vie quotidienne ne saute pas immédiatement aux yeux. Et pourtant ! L’apprentissage par renforcement constitue aussi le premier pas potentiel vers l’intégration des capacités intuitives lorsque l’intelligence artificielle est utilisée dans un environnement professionnel. Il y a donc possibilité de jeter un pont entre les raisonnements abductif et inductif.

Impressionnant ! Mais ça veut dire quoi, en clair ? Quelques explications s’imposent…

Petit rappel épistémologique

Il existe en philosophie plusieurs manière de classer les méthodes de raisonnement. Pour ce blog, limitons-nous à une taxonomie simple avec trois catégories : les raisonnements déductif, inductif et abductif. 

  • Le raisonnement déductif permet de parvenir à une conclusion à partir des faits. Autrement dit, en partant de l’observation d’un fait A, on parvient directement à la conclusion B ;
  • Le raisonnement inductif permet, à partir d’observations particulières, d’élaborer des concepts de portée générale, qui seront utilisés pour aboutir à une conclusion. Par exemple, si tous les chats que l’on a eu l’occasion d’observer ronronnent, on peut en déduire que le ronronnement est une caractéristique partagée par tous les chats ;
  • Le raisonnement abductif (du latin abductio : emmener) permet de combler un vide dans une situation où manque une information, puis d’utiliser son bon sens pour combler le vide laissé par l’information manquante.

 

En appliquant le machine learning à une problématique d’ordre professionnel, utilisons-nous implicitement un raisonnement déductif, inductif ou abductif ? Et la réponse est…ça dépend.

Machine Learning : raisonnement inductif ou abductif ?

Les problématiques associées au machine learning sont multiples. L’une des façons les plus évidentes d’en assurer le classement consiste à prendre en compte le type de données utilisées. Autre façon de faire : classer par domaine ou par objectif.

Mais il est également possible d’opérer une distinction plus subtile : il y a les problèmes avec lesquels vous préférez décider ou prévoir, sur la base des paramètres associés aux données historiques, et il y a ceux qui vous imposent de prendre une décision, hors de tout paramètre historique.

Prenons des exemples dans trois secteurs d’activité : les assurances, le e-commerce et la production.

Dans les assurances, la classification des déclarations de sinistres est un problème quotidien. Prenons l’exemple de la déclaration déposée auprès d’une compagnie après un dégât des eaux dans un appartement, où les murs et les plafonds ont été endommagés. La question qui se pose ici est de savoir s’il est nécessaire de dépêcher un expert. La décision est souvent prise sur la base des recours précédents (justifiés ou frauduleux) qui vont être utilisés pour constituer un modèle.

Dans ce cas, il est relativement probable que la déclaration de sinistre examinée présente des points communs avec un recours déjà étudié dans le passé par la compagnie. Tant il est vrai que les causes d’un dégât des eaux peuvent être multiples.
Nous sommes donc ici en présence d’un raisonnement inductif : l’assureur opère implicitement une généralisation sur le caractère plausible ou improbable du recours déposé, à partir de nombreux exemples. 

Autre problématique pour un assureur, concernant cette fois-ci les contrats d’assurance-vie : déterminer la stratégie d’allocation du capital. Le point clé, pour la compagnie, étant d’avoir la garantie de disposer des fonds suffisants pour couvrir les dommages ou l’appel de capital.

Un défi se pose toutefois ici : l’adoption d’une approche véritablement rigoureuse nécessite de prendre en compte de nombreux cas à faible occurrence. Il conviendrait, par exemple, de prendre en compte la probabilité d’accroissement significatif des risques d’inondation en raison du réchauffement global. Il y a également la possibilité, même réduite, qu’un conflit armé puisse impacter des immeubles, etc.
Les prévisions nécessitent donc d’explorer les "états" du système qui demeurent inconnus en termes de données historiques, avec des cas particuliers pouvant aussi être corrélés.

En élaborant ces modèles, les actuaires et les experts en questions financières doivent se livrer à des hypothèses basées sur le bon sens. Par exemple, la possibilité d’occurrence moyenne d’un certain événement, dont la probabilité peut être représentée sous forme d’une fonction normale. Ou la possible interaction entre tel ou tel paramètre ; et l’impossibilité probable d’interaction de tel autre.
Afin d’établir une stratégie complète, les données historiques doivent être utilisées pour créer des modèles statistiques ou de machine learning, mais ces données doivent également être combinées avec d’importantes modélisations implicites sur le comportement du système en conditions extrêmes. De fait, une modélisation implicite est nécessaire pour modéliser tout élément se trouvant hors du champ des données historiques.

Dans le commerce de détail, un autre problème typique du machine learning consiste à essayer de prévoir la conversion effective d’un panier d’achat. Si le commerçant est en mesure de prévoir que les chances de conversion sont peu probables, il va pouvoir essayer de débloquer la situation en élaborant, par exemple, un message marketing spécifique, ou en proposant un discount de dernière minute. Le machine learning permet d’élaborer ce type de prédictions, en analysant les caractéristiques de paniers similaires : leur taille, la récurrence des achats par le consommateur, l’heure du jour, le temps passé pour effectuer les achats, etc.

A suivre...

Créez votre compte L’Usine Connect

Fermer
L'Usine Connect

Votre entreprise dispose d’un contrat
L’Usine Connect qui vous permet d’accéder librement à tous les contenus de L’Usine Nouvelle depuis ce poste et depuis l’extérieur.

Pour activer votre abonnement vous devez créer un compte

Créer votre Compte
Suivez-nous Suivre Usine Nouvelle sur Facebook Suivre Usine Nouvelle sur Twitter RSS Usine Nouvelle