L’apprentissage automatique peut transformer votre entreprise

09 Apr L’apprentissage automatique peut transformer votre entreprise

Quand l’expertise d’Alithya en apprentissage automatique donne une longueur d’avance aux clients

Adam Wisniewski, scientifique principal des données chez Alithya, est un expert en apprentissage automatique. Dans cet article, il explique ce qu’est l’apprentissage automatique, de quelle manière il fonctionne et comment il améliore le rendement d’une entreprise et réduit ses coûts.

 

L’apprentissage automatique

Wisniewski définit l’apprentissage automatique comme « un sous-type de l’intelligence artificielle qui permet de créer des modèles de façon automatique à partir de données sans qu’il soit nécessaire de programmer explicitement la logique de fonctionnement du modèle ».

L’apprentissage automatique se divise en deux types principaux : l’apprentissage supervisé et l’apprentissage non supervisé.

Dans l’apprentissage supervisé, l’ordinateur traite des données contenant des sujets « étiquetés », c’est-à-dire auxquels on a associé une valeur numérique ou des catégories — par exemple, catégorie A et catégorie B — que l’on appelle un « ensemble d’entraînement ». La technique de traitement permet ensuite de construire un modèle capable de prédire la catégorie d’un nouveau sujet selon qu’il ressemble aux exemples de la catégorie A ou de la catégorie B qui ont servi à entraîner l’ordinateur.

Dans l’apprentissage non supervisé, les techniques utilisées ne font pas appel à des sujets étiquetés. Les modèles déterminent alors des tendances dans les jeux de données en fonction de la similitude des sujets.

Apporter un avantage concurrentiel à une banque

Le dispositif de surveillance que l’équipe d’Alithya a récemment conçu pour une importante banque canadienne est un excellent exemple d’apprentissage automatique. Le dispositif génère des alertes de conformité boursière de logique traditionnelle, « si x, alors y », et les classe comme suspectes ou non suspectes à l’aide de l’apprentissage automatique. Les responsables en conformité peuvent alors réduire de manière importante le temps passé à surveiller les activités habituelles et se concentrer sur des transactions inhabituelles ou suspectes. « Dans le projet, nous avons utilisé une approche supervisée parce que nous cherchions à prédire des résultats explicites, c’est-à-dire le degré de suspicion d’une alerte », explique M. Wisniewski.

Pourquoi ce dispositif d’apprentissage automatique fonctionne si bien

Selon M. Wisniewski, le cas des alertes de conformité se prête bien à l’apprentissage automatique parce que les tâches sont répétitives et les objectifs, clairs. De plus, les millions de transactions et les milliers d’alertes constituent un ensemble d’entraînement considérable, idéal pour l’apprentissage des modèles. En analysant les cas passés d’alertes de transactions suspectes et non suspectes, le système met automatiquement au point des modèles de plus en plus sophistiqués et précis qui servent à évaluer les nouvelles alertes.

« Les systèmes basés uniquement sur une logique traditionnelle généraient une énorme quantité de fausses alertes, dit M. Wisniewski. Grâce à notre dispositif, les responsables de la conformité ne perdent plus de temps à surveiller des transactions parfaitement normales et peuvent se concentrer sur les types de transactions qui font peser le plus de risques sur la banque. » M. Wisniewski estime que ce type de dispositif pourrait faciliter le repérage du financement terroriste, de la fraude fiscale et du blanchiment d’argent.

De l’importance de travailler avec des experts du domaine d’affaires

Aux entreprises qui souhaitent intégrer l’apprentissage automatique dans leurs procédés, M. Wisniewski recommande d’abord de déterminer le problème que l’apprentissage automatique pourrait résoudre, puis de décider des paramètres qui mesureront le succès de la solution. Il précise que les programmes d’apprentissage automatique sont plus rapides à concevoir quand le taux d’exactitude n’a pas à être de 100 %. Un programme qui fonctionne dans les cas simples, mais pas dans les cas hautement complexes, peut quand même résoudre une partie des problèmes et alerter les humains sur les autres. « Dans certains cas, l’automatisation est totale, mais dans de nombreux cas, l’automatisation et l’analyse humaine sont complémentaires et donnent un résultat optimal », illustre le chercheur.

Selon lui, les entreprises ne devraient pas seulement travailler avec des experts en apprentissage automatique, mais aussi avec des experts dans le domaine analysé. « Dans notre équipe, nous avions des personnes expérimentées en systèmes de transactions et en ordonnancement de données, mais également des experts en valeurs mobilières qui nous aidaient à analyser les données, explique-t-il. Vous ne pouvez pas utiliser le même système en finance et en exploration géologique ou en analyse du commerce de détail. Chaque secteur possède ses propres mesures et seuls les professionnels de ce secteur savent quelles données sont importantes et comment les utiliser. »

Quelle direction l’apprentissage automatique prend-il?

Wisniewski s’attend à ce que les avancées promises en matière d’intelligence artificielle, comme les voitures autonomes et les programmes capables de diagnostiquer des troubles de santé, deviennent une réalité quotidienne. Le programme d’apprentissage automatique est une première pour une institution financière en matière de conformité dans le secteur des marchés de capitaux, mais M. Wisniewski constate que des entreprises de nombreux secteurs d’activité — de la banque à l’énergie en passant par l’ingénierie — intègrent l’apprentissage automatique dans leurs systèmes d’analyse de données. « Actuellement, très peu d’entreprises ont implanté cette technologie avec succès : nous sommes parmi les rares équipes à y être parvenues. Mais quand les autres réussiront à le faire, les millions d’heures de travail seront économisées et serviront alors à effectuer des tâches à grande valeur ajoutée. »