6 & 7 mars 2017 • Palais des Congrès

Vers la « connaissance augmentée » dans l’entreprise avec le « machine learning »

 

retour au sommaire

La révolution digitale doit faire face à l’augmentation du nombre de décisions répétitives et ciblées qu’elle engendre.

 

La révolution digitale est plus rapide et plus globale que la dernière révolution industrielle du début du siècle dernier : elle nécessite moins de capital et fait principalement appel à l’innovation intellectuelle et numérique, accessible au plus grand nombre. Ses innovations ont un impact bien plus immédiat. Les exemples dans notre vie de tous les jours ne manquent pas avec les services proposés par les leaders de cette révolution tels que Google, Amazon, Facebook, Apple et bien d’autres. D'où la course effrénée des entreprises, quel que soit leur marché, pour mettre en place une véritable culture orientée données et algorithmes prédictifs afin d’augmenter leur connaissance et automatiser davantage de processus métiers.

 

Le machine learning ou apprentissage machine apporte une solution

 

L'intelligence artificielle (IA) et ses algorithmes connus sous le nom de machine learning promettent d'automatiser des tâches banales telles que conduire un véhicule ou reconnaître des individus dans une foule. En effet, et de plus en plus, ces techniques imitent le comportement humain : apprentissage, classification, corrélation, prédiction, prise de décision. Elles réduisent le nombre de scénarios et aident à anticiper les événements à partir de l’apprentissage automatique sur les données du passé. Sans ces nouvelles technologies, il serait impossible de prévoir tous les scenarios possibles à l’avance.

 

Le machine learning ne remplacera pas l’homme, contrairement à la rumeur, mais proposera une « connaissance augmentée ».

 

Je ne pense pas que le machine learning remplacera le travail de l’homme. Sa valeur ajoutée est d’offrir une « connaissance augmentée » face à l’accroissement de la charge de travail pour un travail plus qualitatif dans le cadre de tâches répétitives et ciblées telles que l’octroi de crédit, la maintenance prédictive, l’aide à la prospection commerciale, l’aide à la détection de fraude, etc…

 

Le machine learning n’est pas nouveau

 

Les techniques de machine learning existent de longue date, SAS les propose dans sa solution de modélisation prédictive (data mining) depuis les années 90. Elles s’appuient à la fois sur les techniques statistiques traditionnelles, telles que la régression logistique, et sur des techniques innovantes, telles que les forêts aléatoires et les réseaux de neurones. Ces techniques sont donc mûres et bien maîtrisées et profitent des dernières évolutions technologiques comme l’accès à des réservoirs de données gigantesques avec Hadoop et la capacité à calculer en parallèle sur de multiples serveurs en cluster.

 

Alors, quelles sont donc les innovations apportées en 2017 par SAS, le leader mondial des logiciels de modélisation prédictive, qui favoriseraient cette nouvelle culture de la « connaissance augmentée » au moyen de l’algorithme prédictif dans l’entreprise ?

 

 

7 innovations majeures favorisent l’intégration du machine learning dans l’entreprise digitale du XXIe siècle

 

  • L’exploitation de tous les types de données numériques disponibles : textes, images, bases de données SQL ou noSQL.

Hadoop promet de stocker et traiter des petaoctets de données sans contraintes de format pour un coût marginal très bas. Encore faut-il traiter ces données dans le cluster Hadoop sans changer leur format. C’est ce que propose SAS depuis plusieurs années avec ses technologies analytiques In-memory.

 

  • La mise à disposition de toutes les techniques de modélisation prédictive connues permettant de répondre à tous les types de décision :

Répondre à un problème métier tel que la planification de la demande nécessite une combinaison de plusieurs techniques prédictives comme la segmentation, la prédiction, la prévision et la recherche opérationnelle. SAS propose de traiter toutes ces techniques analytiques en mémoire pour de meilleures performances.

 

  • La capacité à faire collaborer trois profils différents dans l’entreprise (Direction Informatique, Data Scientist, Directions Métiers) :

L’humain est au centre du dispositif de machine learning. Un modèle prédictif n’est efficace que si les processus opérationnels en bénéficient directement. Le data scientist ne peut pas porter seul de manière effective les projets de machine learning de l’entreprise. SAS propose à la DSI, aux data scientists et aux directions métiers de collaborer ensemble sur un processus commun avec une plateforme analytique intégrée.

 

  • La mise à disposition des algorithmes prédictifs aux développeurs d’applications à partir d’une API publique :

L’intégration de la connaissance augmentée nécessite d’ouvrir l’accès à ces technologies aux « data scientists » mais aussi aux développeurs d’applications métier quels que soient les langages utilisés, Java, Python, R, Lua, C, REST… SAS offre une API publique pour accéder à sa plateforme analytique.

 

  • La puissance illimitée de calcul et de modélisation des données en mode massivement parallèle sur un grand nombre de serveurs.

SAS a revu les fondations de sa plateforme analytique développée à l’origine pour de grands serveurs avec une mémoire partagée. SAS propose une plateforme exploitant un nombre illimité de serveurs Intel x86 distribués, diminuant fortement les coûts machine et offrant une puissance sans limites.

 

  • L’exécution de l’algorithme partout et au cœur des bases de données, de la mémoire des serveurs, des objets connectés ou du cloud public ou privé.

La réalité aujourd’hui dans l’entreprise est que le déploiement des résultats du machine learning nécessite des délais de plusieurs mois. Ces délais sont dus aux règles d’intégration de ces algorithmes dans le système d’information, qui nécessite parfois une réécriture totale. SAS offre la capacité d’augmenter la connaissance de l’entreprise à la source de l’information, au cœur des machines, des bases de données, des applications.

 

  • La mise en production automatique et contrôlée de l’algorithme afin de garantir sa fiabilité et sa robustesse dans le temps.

Les technologies SAS automatisent le déploiement des algorithmes prédictifs en temps réel si nécessaire tout en respectant les règles de sécurité et d’intégration. Ce niveau d’automatisation ne pourrait pas être mis en œuvre sans une solide gouvernance des modèles prédictifs pour garantir la fiabilité de la connaissance produite du point de vue métier. SAS propose de gérer la gouvernance du cycle analytique avec un maximum de fiabilité.

 

Le machine learning est une nouvelle révolution technologique. Pour en tirer parti, les entreprises peuvent bénéficier de ces 7 innovations majeures de SAS disponibles aujourd’hui avec la nouvelle plateforme analytique in-memory SAS® Viya™. Elle est particulièrement adaptée à la nouvelle donne métier et technologique qui favorise l’expérimentation et l’agilité tout en garantissant la sécurité et la robustesse.

 

 

Marcel LEMAHIEU

Principal Business Solution Manager, Analytical Platform Center Of Excellence

 

SAS SOUTH WEST EUROPE

 

i

n

s

c

r

i

p

t

i

o

n

 

 

retour au sommaire

 

réservez votre badge

inscrivez-vous en ligne pour participer à big data paris 2017

Contact

bigdata paris 2017 by

Simon Nicolas / Inscription Conférence

01 84 83 02 86

snicolas@corp-agency.com

BigData Paris est un congrès réalisé par Corp Agency, l’agence événementielle au service du grand public et des professionnels.