Intelligence artificielle – De meilleurs résultats grâce à des techniques améliorées – | Informatique en nuage | Centre de données


  • FrançaisFrançais



  • L’intelligence artificielle (IA) a aujourd’hui transformé de nombreux secteurs, y compris la vente au détail. La poussée soudaine des applications basées sur l’IA est due à trois facteurs principaux :

    • Accès aux mégadonnées
    • Réduction du coût de l’informatique
    • Démocratisation du ML avancé grâce aux packages et plateformes Open Source

    Parallèlement à ces avancées, le rôle de l’IA dans l’obtention de résultats commerciaux tangibles peut être renforcé grâce à trois nouvelles techniques :

    • Incrustations
    • Inférence causale
    • Apprentissage par renforcement

    Incrustations

    Les réseaux de neurones sont les chevaux de bataille de l’IA moderne. Ils sont constitués d’unités de traitement interconnectées appelées neurones. Ces réseaux de neurones sont d’abord entraînés à l’aide de données existantes. Finalement, les réseaux de neurones entraînés sont utilisés pour effectuer des prédictions et des classifications. Lorsqu’un réseau de neurones est formé, il capture les objets sur lesquels il apprend dans une représentation numérique compacte qui passe par le terme technique Embedding. Les objets capturés par les incorporations peuvent être n’importe quoi – des mots, des images, des produits, vraiment n’importe quoi pour lequel nous avons des données.

    Imaginez qu’un réseau de neurones puisse être formé pour comprendre les préférences des gens en matière de visionnage de films. Un autre réseau de neurones pourrait être formé pour comprendre les intérêts musicaux d’une personne. Une intégration peut capturer les interrelations entre chacun de ces éléments d’information disparates dans une liste compacte de nombres appelés vecteurs.

    Les technologies naïves ne possèdent pas ce genre d’intelligence sémantique ; ils ne font que répéter des informations et ne comprennent pas les nuances et les relations subtiles. Ainsi, alors que la technologie d’intégration peut décrire vos intérêts, vos préférences et votre personnalité d’une manière très intéressante, une technologie naïve vous décrirait de manière superficielle et ennuyeuse – elle indiquerait votre nom, votre adresse, le modèle de votre ordinateur portable, les applications que vous avez installé et les heures de la journée pendant lesquelles votre ordinateur portable est allumé. En d’autres termes, les technologies naïves ont une saveur que nous associons aux machines, tandis que la technologie des embeddings a une saveur que nous associons à l’intelligence humaine. Cela donne aux encastrements un pouvoir immense.

    Par exemple, les intégrations peuvent être utilisées pour la planification de l’assortiment pour un magasin particulier pendant le SuperBowl. La planification peut être déterminée en fonction de facteurs disparates tels que les marchés auxquels le magasin s’adresse, les articles populaires et les réactions des invités à l’événement.

    Une fois que nous avons des intégrations, nous pouvons les utiliser comme fonctionnalités pour former de nombreux autres modèles, obtenir des informations et prendre des décisions. Les intégrations ont déjà été largement utilisées dans les systèmes de compréhension du langage naturel, de vision par ordinateur et de recommandation. Cependant, ce n’est que la pointe de l’iceberg. Attendez-vous à des choses puissantes avec cette technique à l’avenir !

    Inférence causale

    « La corrélation n’est pas la causalité », dit le célèbre adage. Si oui, alors qu’est-ce que la causalité ? Et qu’est-ce que cela a à voir avec l’IA ? Les techniques de ML, quel que soit le domaine d’application, sont désormais confrontées à trois défis uniques :

    • Adaptabilité/Robuste : L’adaptabilité est la capacité d’un système à réagir à une nouvelle situation qui n’a pas été observée dans les données historiques. Notez comment, nous, les humains, nous « ayons » régulièrement, même dans de nouvelles situations. Par exemple, les scientifiques déterminent rapidement que les masques sont un moyen efficace de lutter contre la propagation du COVID-19 au début de 2020.
    • Explicabilité : les modèles d’apprentissage automatique d’aujourd’hui sont des boîtes noires. Il est souvent difficile de comprendre pourquoi la machine a pris une certaine décision. Cela crée un énorme obstacle à l’adoption de l’IA dans le domaine non technologique. C’est aussi un grand obstacle pour que les humains et les systèmes d’IA travaillent ensemble. « Si je ne sais pas comment un système d’IA prend des décisions, comment puis-je travailler avec ? »
    • Lien de cause à effet : les systèmes de ML d’aujourd’hui sont centrés sur les données. Ils mesurent essentiellement comment une variable ou un facteur est lié à un autre. Cependant, il n’y a pas de notion claire de la variable qui a causé le changement de la sortie.

    L’inférence causale fournit les outils et les techniques pour exprimer ces types de questions de manière mathématique, puis y répondre. Au cours des deux dernières décennies, les scientifiques des données ont développé des cadres mathématiques de techniques d’inférence causale pour interagir avec les modèles ML. Cela nous a permis de faire une inférence causale à grande échelle et d’en tirer de la valeur.

    Dans le commerce de détail, nous utilisons régulièrement l’inférence causale pour répondre à de nombreuses questions telles que :

    • Qu’est-ce qui a causé la rupture de stock dans les magasins?
    • Quelles sont les ventes supplémentaires dans un magasin particulier en raison du remodelage ?
    • Quelle a été l’efficacité d’une campagne promotionnelle ?

    Il s’agit d’un domaine de recherche actif et je vois cette « révolution causale » conduire à des systèmes d’IA plus robustes, explicables et puissants.

    Apprentissage par renforcement

    La troisième technique qui est en passe de changer le monde de l’IA est l’apprentissage par renforcement (RL). RL est un paradigme où l’algorithme (appelé l’agent) apprend de l’environnement par essais et erreurs. Chaque fois que l’algorithme prend la bonne décision, il est récompensé ; et chaque fois qu’il prend une mauvaise décision, il est pénalisé. La technique RL est particulièrement utile lorsque nous devons prendre des décisions séquentielles face à l’incertitude. Certains problèmes importants et très médiatisés pour lesquels RL fonctionne maintenant assez bien sont les voitures autonomes, les robots effectuant des tâches domestiques et les jeux de stratégie. Même dans le commerce de détail, RL peut résoudre des problèmes importants tels que :

    • Contrôle des stocks – le problème de déplacer les stocks des fournisseurs aux entrepôts vers nos magasins dans la bonne quantité au bon moment, compte tenu des incertitudes de la demande des clients.
    • Contrôle des prix – le problème de déterminer les bons prix à fixer pour chacun des produits que nous vendons dans divers magasins, compte tenu de la connaissance de l’évolution de la demande en fonction des changements de prix.

    La chose la plus excitante aujourd’hui est que nous aurons probablement de futurs systèmes d’IA qui mélangent les intégrations, la causalité et l’apprentissage par renforcement pour créer des modèles plus compacts, explicables et puissants qui traitent efficacement l’incertitude. Cela peut à son tour libérer une valeur commerciale considérable et ravir nos clients d’innombrables façons.

    Écoutez Ashwin Rao, vice-président, Intelligence artificielle, parler des techniques lors de sa conférence principale au Sommet virtuel NASSCOM XperienceAI 2021.

    A propos de l’auteur:

    Abhijith Neerkeje, directeur principal, Sciences des données et analyse

    Abhijith Neerkaje, directeur principal, Sciences des données et analyse

    Source

    N'oubliez pas de voter pour cet article !
    1 Star2 Stars3 Stars4 Stars5 Stars (No Ratings Yet)
    Loading...

    La Rédaction

    L'équipe rédactionnnelle du site

    Pour contacter personnellement le taulier :

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.