Si vous avez utilisé Google, Spotify ou Uber la semaine dernière, vous avez interagi avec des produits qui utilisent l'apprentissage automatique.

L'apprentissage automatique, un sous-ensemble de l'intelligence artificielle, utilise des algorithmes et des modèles statistiques pour entraîner les machines à effectuer des tâches et à trouver des motifs sans guidance. En ce qui concerne nos exemples ci-dessus, ces tâches sont des recommandations de recherche, des suggestions de chansons et des temps de trajet estimés.

Mais il existe aujourd'hui d'autres façons dont l'apprentissage automatique est appliqué, dont certaines que nous ne connaissons peut-être même pas.

Dans ce guide, nous mettrons en lumière quelques exemples astucieux de l'apprentissage automatique dans le monde réel. Pour trouver nos exemples, nous avons contacté cinq dirigeants d'entreprise pour expliquer les façons dont ils utilisent l'apprentissage automatique aujourd'hui.

5 exemples d'apprentissage automatique

Voyez un exemple qui vous intéresse ? N'hésitez pas à passer directement à la section :

1. Analyse de texte pour la création de contenu
2. Analyse pour l'investissement immobilier
3. Vérification des appels pour la récupération de fraude
4. Suivi des prix pour les voyages aériens
5. Apprentissage profond pour écrire du Shakespeare

1. Analyse de texte

Stephen Jeske, Stratège de contenu chez MarketMuse

Chaque spécialiste du marketing de contenu sait à quel point la cartographie des sujets peut être difficile. Cela nécessite une expertise en la matière, des recherches approfondies et une collaboration avec les équipes internes pour garantir que le contenu est à la fois pertinent et précis. Stephen dit que MarketMuse applique l'apprentissage automatique pour faciliter le travail des spécialistes du marketing de contenu.

« Une application de l'apprentissage automatique (ML) concerne l'analyse textuelle ; une partie importante de notre mise en œuvre de ML chez MarketMuse. La capacité d'analyser le texte nous permet de créer un modèle de sujet pour n'importe quel sujet donné, et de noter le contenu pour aider les spécialistes du marketing de contenu à créer une meilleure expérience. L'apprentissage automatique pour l'analyse textuelle nous permet d'établir une pertinence sémantique entre les pages d'un site Web. Cela est utilisé pour offrir des suggestions de liens avec un texte d'ancrage approprié pour créer des clusters de contenu.

En allant plus loin, l'apprentissage automatique est un bloc de construction qui nous permet de découvrir des clusters thématiques qui existent sur un site Web, qui peuvent ne pas être immédiatement apparents. »

L'apprentissage automatique aide à valider les hypothèses du spécialiste du marketing de contenu sur ce que les utilisateurs recherchent sur le web en rapport avec un sujet. Il les expose également à de nouvelles idées de contenu.

2. Immobilier

Daniela Andreevska, Directrice Marketing chez Mashvisor

Investir dans l'immobilier peut être lucratif si c'est bien fait. Cependant, le processus peut être chronophage et la plupart des gens n'ont pas les ressources ou l'expertise pour envisager d'investir. Daniela dit que Mashvisor utilise l'apprentissage automatique et l'analyse de données pour raccourcir le processus et le simplifier.

« Le Property Finder de Mashvisor est l'un de nos outils les plus en vue qui utilise l'apprentissage automatique pour prédire la propriété la plus appropriée pour un investisseur en fonction des critères qu'il entre ainsi que de son profil. Les utilisateurs peuvent aimer et ne pas aimer les propriétés que le Property Finder leur suggère en fonction de leur lieu de choix, de leur budget, du type de propriété préféré et d'autres critères. Plus l'utilisateur interagit avec l'outil, plus ses prédictions deviennent précises. »

Être capable de fournir des recommandations hautement personnalisées est un exemple d'apprentissage supervisé, dans lequel il y a à la fois des valeurs d'entrée et de sortie pour l'algorithme d'apprentissage automatique. Plus il est utilisé, plus le modèle devient précis.

3. Vérification des appels

Tim Prugar, VP des opérations chez Next Caller

Environ 190 milliards de dollars sont perdus chaque année à cause de la fraude – coûtant aux commerçants, aux clients et aux banques leur tranquillité d'esprit. Faire face à la fraude est frustrant, tout comme appeler chaque commerçant pour suivre la trace de la fraude. Tim dit que Next Caller utilise l'apprentissage automatique pour accélérer le processus de récupération de la fraude.

« Nous utilisons l'apprentissage automatique pour combattre le problème de la fraude téléphonique – en particulier les personnes commettant des prises de contrôle de comptes dans les banques, les compagnies d'assurance, les entreprises de câblodistribution, les compagnies aériennes et les hôtels. Notre produit VeriCall crée une expérience client positive grâce à la vérification des appels en temps réel. Nous utilisons le ML pour nous assurer que vous pouvez être authentifié rapidement, passivement et sans effort – permettant aux entreprises de résoudre votre problème sans passer un temps exaspérant à déterminer qui vous êtes. »

La vérification d'identité utilisant l'apprentissage automatique est juste un autre exemple de la façon dont l'automatisation améliore notre vie quotidienne. Cela est particulièrement utile car la fraude ne fera que devenir plus complexe.

4. Suivi des prix

Valerie Layman, Directrice des produits et services chez Yapta

Alors, vous partez en voyage d'affaires et votre patron vous a chargé de trouver le vol le plus économique. Quelle est la prochaine étape ? Valerie dit que Yapta applique l'apprentissage automatique pour un suivi des prix plus intelligent sur les voyages aériens.

« Yapta aide ses clients d'entreprise à économiser sur les coûts de billets d'avion et d'hôtel en utilisant des algorithmes d'apprentissage automatique pour l'optimisation des négociations avec les fournisseurs de voyages et la conformité aux politiques. Il utilise une combinaison de données de réservation de billets d'avion et d'hôtel, de données de prix en temps réel et d'apprentissage automatique pour identifier les domaines de concentration où les entreprises peuvent créer ou améliorer des opportunités d'économies.

En un coup d'œil, la technologie fournit des informations exploitables sur l'utilisation et la performance des fournisseurs, la performance des tarifs contractuels et l'efficacité des politiques de voyage. La technologie agrège également des données de prix anonymes à travers les milliards d'itinéraires de voyage suivis par Yapta, créant des références par montant de dépense, géographie, industrie et fournisseur. »

Le suivi des prix, l'optimisation et la prédiction sont quelques-unes des façons les plus pragmatiques dont l'apprentissage automatique est appliqué aujourd'hui. En fait, Yapta a déjà utilisé le suivi pour économiser plus de 250 millions de dollars sur les billets d'avion pour les entreprises.

5. Écrire du Shakespeare

Rosaria Silipo, Ph.D., Scientifique des données principale chez KNIME

Cet exemple peut être moins axé sur les affaires et plus amusant, mais KNIME a pu montrer la puissance de l'apprentissage profond avec des unités de mémoire à long court terme (LSTM) pour générer des textes shakespeariens originaux. Rosaria dit :

« Vous connaissez le problème de trouver le nom le plus attrayant, non protégé par le droit d'auteur, pour votre nouveau produit ? Le problème qui nécessite un certain nombre de réunions de brainstorming par les esprits les plus créatifs de l'entreprise ? Eh bien, un réseau neuronal d'apprentissage profond avec une couche d'unités LSTM peut être entraîné sur une liste de noms spécifiques – disons des noms avec un thème commun comme des noms de montagnes – et produire une liste de noms sonnant comme des montagnes, non protégés par le droit d'auteur, à utiliser comme candidats pour le nouveau nom de produit.

Un réseau similaire peut également être utilisé pour générer des textes libres, tels que des textes de type Shakespeare ou des chansons de rap. Ces brouillons peuvent être utilisés comme base pour le texte ou la chanson finale. »

Il convient de noter que générer des textes originaux avec l'apprentissage profond est assez difficile, et c'est encore plus difficile lorsqu'il s'agit de structures de phrases complexes et de l'anglais shakespearien. Néanmoins, cela reste un exemple amusant de KNIME.

Le réseau d'apprentissage profond a été entraîné avec les pièces de Shakespeare « Othello », « Le Roi Lear » et « Beaucoup de bruit pour rien ». Cliquez ci-dessous pour lire le script :

Le script semblait commencer fort mais s'est calmé vers la fin.

Il convient de noter que générer des textes originaux avec l'apprentissage profond est assez difficile, et c'est encore plus difficile lorsqu'il s'agit de structures de phrases complexes et de l'anglais shakespearien. Néanmoins, cela reste un exemple amusant de KNIME.

Quelles sont les prochaines étapes pour l'apprentissage automatique ?

Des détections de fraude plus précoces à l'amélioration des diagnostics médicaux, l'apprentissage automatique est à l'origine de nombreuses avancées technologiques majeures aujourd'hui, mais quelles sont les prochaines étapes ?

Nous avons demandé à cinq experts de nous donner leur avis sur ce à quoi l'avenir de l'apprentissage automatique pourrait ressembler. Lisez comment l'informatique quantique, les moteurs de recherche et les environnements sans code influenceront l'avenir.