Par Guillaume DE LA ROCHE

25/11/2020

Les approches de machine learning traditionnelles font généralement face à 2 inconvénients :

  • Une mauvaise prise en compte des cas particuliers qui ont tendance à être moyennés. En effet le machine learning se base sur la connaissance du passé (apprentissage) pour prendre ses décisions. C’est donc une approche «intégrative ». Et lorsqu’un cas particulier est rencontré dans les données d’entrées, celui-ci va avoir tendance à etre moyenné et son effet deviendra souvent négligeable. C’est ce qui explique par exemple que dans les sites de e-commerce « censés » vous proposer des produits sur mesure, on remarque souvent qu’en réalité ces sites proposeront par exemple les mèmes produits si vous êtes deux hommes dans la même tranche d’âge. Les singularités des individus (même si on vous le fait croire) ne sont dont pas beaucoup prise en compte.
  • Une dépendance trop importante sur la qualité des données. En effet, un phénomène fréquemment observé en IA est qu’en changeant légèrement une valeur d’entrée, le résultat final obtenu peux être très différent, sans que cela ne puisse s’expliquer. La qualité des données est très importante en machine learning ce qui peut être problématique car ces données ont en réalité toujours des marges d’erreur.

Les approches d’IA dites « différentiatives » ont pour but de contrer ces 2 problèmes. Au lieu d’être intégratives, ce qui a pour effet de moyenner les valeurs particulières ou singularités, elles se focalisent au contraire sur les effets produits par ces singularités. L’IA différenciative se concentre donc de manière plus approfondie sur les différences et leur analyse.

Pour ce faire, au lieu d’utiliser un apprentissage sur une grande quantité de données comme c’est le cas en machine learning, des heuristiques basées sur l’analyse des comportements sont utilisées. Le développement de ces heuristiques sous forme de graphes est basé généralement sur l’observation ou sur la connaissance des individus. Dans les cas ou l’heuristique utilisée ne permet pas de trouver une solution, l’humain pourra intervenir pour accepter ou non le résultat et recalibrer le système.

Nous pensons que les approches d’IA différenciatives peuvent avoir un grand intérêt lorsque l’on parle d’éthique car elles peuvent permettre de replacer l’homme ou cœur du procédé de prise de décision :

  • Les heuristiques utilisées peuvent se baser sur la connaissance de l’homme et la psychologie, et ainsi rendre l’IA plus « proche » d’un comportement humain.
  • Ces approches se focalisent sur les singularités, et peuvent donc mieux prendre en compte les cas particuliers et la diversité ce qui va tout à fait dans les tendances des recommandations actuelles pour éviter les biais par exemple

On peut remarquer que les techniques d’IA différenciatives sont encore très peu utilisées, probablement pour les raisons suivantes :

  • Elles ne sont pas encore connues et donc peut étudiées. En France, à part Jean-Pierre Malle [1] qui est l’expert de ce type d’IA depuis plusieurs années, les autres recherches en IA semblent plus se focaliser sur le deep learning.
  • Elles nécessitent des compétences particulières (pas seulement dans les domaines techniques mais aussi par exemple en psychologie) pour développer les heuristiques et s’adapter à chaque situation.
  • Elles ne sont pas implémentées dans les plateformes courantes d’IA (google, Microsoft, IBM, etc) car plus complexes à mettre en œuvre.
  • Il n’y a pas encore eu suffisamment d’études publiées qui démontrent que l’effort supplémentaire nécessaire pour utiliser de telles approches permet d’obtenir réellement de meilleurs résultats que les approches d’IA traditionnelles (bien que les premiers résultats obtenus par la société cleverm8 [2] notamment dans le domaine de détection de fraude bancaire semblent très prometteurs).

En conclusion, nous pensons que l’IA différenciative a un grand intérêt dans les secteurs critiques, avec des données d’entrées complexes, et dans lesquelles des fortes variations peuvent intervenir. Elle peuvent probablement aussi venir en complément des techniques d’IA classiques. Enfin elles nous semblent intéressantes de par l’utilisation des heuristiques basées sur la psychologie qui peuvent permettre de plus se rapprocher des comportements humains.

Références :

[1] https://jpmalle.info/

[2] http://cleverm8.com/

Guillaume DE LA ROCHE
gdelaroche@hotmail.com

2 thoughts on “L’IA différenciative : une approche originale pour contrer 2 faiblesses du machine learning”

  1. Bonjour, article très intéressant. Nous développons avec JP Malle, qui est l’un de nos associés fondateurs, l’usage de l’IA différenciative dans le domaine de l’interaction en temps réel. Et plus particulièrement de la personnalisation de la recommandation-produit. J’avoue de pas savoir combien d’études ont été publiées sur les résultats concrets. Mais je peux vous parler de notre propre expérience et des résultats que nous avons observé sur des A/B tests face à des systèmes de machine learning traditionnels. Deux exemples sont très parlants:
    – sur une enseigne française leader du marché, face au système de machine learning du N°1 mondial de la recommandation-produit, là où celui-ci affichait, lors d’un A/B/C test (A: le système cité / B: l’IA différenciative Netwave / C: rien), -1% en CA/ visite par rapport à C, Netwave affichait +2%. S’agissant d’un site constatant plus d’un million de visites par jour et le test à la demande de l’acteur A qui ne croyait pas les résultats ayant été répété sur 2 périodes de 2 semaines, on peut penser que les résultats sont fiables.
    – plus récemment, sur une enseigne alimentaire britannique, en A/B test face à un système de machine learning référent en Grande Bretagne, le système d’iA différenciative de Netwave a réalisé + 55% en taux de clic sur ses recommandations (test de 3 mois sur un site constatant environ 300.000 visiteurs / jour).
    Bien à vous
    JLB

Répondre à DE LA ROCHE Annuler la réponse

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *