Interprétation des modèles de Machine Learning : un superpouvoir sous-estimé | Forum

SAID MOUHOUN Software engineer, Lead Developer, Full-stack developer, Machine learning, Quality management       February 6, 2025 Une réalité méconnue du machine learning en Algérie

J'ai une confession à faire.

La plupart des modèles de machine learning que j'ai conçus pour des clients algériens (environ 70 %) n'avaient pas vocation à être déployés en production.

Si vous n'êtes pas familier avec le déploiement des modèles de machine learning en production, voici une façon simple d'y penser.

Imaginez que vous travaillez pour une entreprise qui vend des assurances automobiles. Votre employeur permet aux clients d’acheter une assurance auto via le site web de l’entreprise.

Après avoir entré toutes les informations requises (âge, historique de conduite, type de véhicule, etc.), ces données sont transmises à un modèle de machine learning. Son rôle ? Prédire si la demande d’assurance doit être acceptée ou refusée, en fonction des risques.

C’est un exemple de déploiement en production d’un modèle de machine learning. Le modèle ne se contente pas de faire des calculs en arrière-plan ; il influence directement une décision métier en temps réel.

Un modèle déployé en production suit généralement ce processus :

 

1. Il reçoit de nouvelles données en continu (dans notre exemple, les demandes d’assurance).
2. Il fait une prédiction, basée sur les tendances et les modèles qu’il a appris.
3. Il envoie la réponse à un système qui l’utilise pour prendre une décision automatique ou aider un humain à décider.

 

Dans le cas de notre assurance auto, si le modèle juge que le risque est trop élevé, la demande est rejetée ou soumise à une vérification manuelle.

Ce type de déploiement est ce que beaucoup imaginent lorsqu’on parle de machine learning en entreprise. Pourtant, ce n’est pas la seule manière d’exploiter ces modèles – et en Algérie, ce n’est même pas la plus courante.

La réalité du machine learning en Algérie

Bien que ces déploiements en production soient très populaires sur les réseaux sociaux (ex. : publications entre ingénieurs en machine learning), voici la réalité :

 

• La plupart des organisations algériennes n’ont pas encore déployé leurs propres modèles de machine learning et ne sont pas prêtes à le faire.
• Cependant, le machine learning reste extrêmement précieux, car il constitue un outil puissant pour améliorer les processus métier, sans nécessiter de déploiement en production.

 

La vraie valeur du machine learning

Les data scientists à succès utilisent les modèles de machine learning pour analyser les processus et découvrir des schémas et relations cachés pouvant être exploités pour un gain économique.

Quelques exemples concrets en Algérie :

 

• Identifier les clients ayant un risque élevé de retourner un produit en utilisant la data extraite des plateformes e-commerce, afin d'ajuster les stratégies de logistique et de service client (réduction des coûts de retour).
• Prédire si une réclamation est frauduleuse (réduction des coûts).
• Analyser les produits selon plusieurs critères pour prédire le produit gagnant.
• Segmenter les clients pour un marketing ciblé (augmentation des revenus et réduction des coûts).

 

Un modèle utile n'est pas toujours un modèle déployé, mais plutôt un modèle qui aide à prendre des décisions stratégiques basées sur des analyses prédictives.

L'interprétation des modèles : un défi humain

Bien qu'il y ait un aspect technique dans l’interprétation des modèles de ML, c’est la partie facile. Le plus difficile est d’interpréter les modèles de manière à ce que cela résonne avec les parties prenantes métier.

Pour les décideurs, une interprétation efficace répond à la question "Pourquoi ?" :

 

• Pourquoi cette personne va potentiellement retourner le produit ou ne va pas répondre au livreur ?
• Pourquoi cette réclamation est-elle potentiellement frauduleuse ?
• Pourquoi ce produit va-t-il bien se vendre ?
• Pourquoi devrions-nous cibler ces clients et pas d'autres ?

 

L’interprétation du modèle doit fournir des explications convaincantes. Voici les 4 caractéristiques essentielles d'une explication efficace :

 

1. Moins, c’est mieux.Une explication convaincante se concentre sur la comparaison de deux prédictions et leurs différences.
2. Limiter le nombre de facteurs.Les humains préfèrent des explications tenant en 1 à 3 facteurs.
3. Équilibre entre généralité et précision.Les meilleures explications sont générales (faciles à comprendre) et précises (actionnables).
4. L'importance des anomalies.Les humains sont très sensibles aux éléments inhabituels et les considèrent comme de bonnes explications.

 

Conclusion

Le machine learning en Algérie est encore à un stade exploratoire dans de nombreuses entreprises, mais son potentiel est immense. Plutôt que de se focaliser uniquement sur le déploiement en production, il est essentiel d'exploiter les modèles pour améliorer les processus décisionnels et optimiser les stratégies d'entreprise.

L'avenir du machine learning en Algérie passera par une meilleure compréhension de son impact business, et surtout, par une capacité à interpréter et traduire ces modèles en actions concrètes. Loin d'être un simple outil technique, c'est une véritable aide à la prise de décision qui peut transformer les entreprises locales. ????